基于復雜場景的人臉檢測與人臉跟蹤的研究與實現(xiàn).pdf

1、由于人臉提供了大量有價值的信息，因此在智能化人機交互、計算機視覺研究和智能監(jiān)控等領域中，人臉檢測與跟蹤受到國內外的廣泛關注。人臉檢測是指從圖像中確定人臉的位置及大小的過程。人臉跟蹤是指從圖像序列中確定人臉的運動軌跡及位置變化的過程。目前，人臉檢測與跟蹤的研究取得了一定的進展，但仍然有很多需要解決的技術問題。本文主要研究了在復雜場景下的人臉檢測與跟蹤的常用算法，并對算法進行了改進。
　　本文所指的復雜場景是相對于早期的人臉檢測技術而

2、言的，早期人臉檢測中研究背景一般約束為簡單背景。對于復雜場景下的人臉檢測問題，論文以Viola等人使用的Adaboost算法的人臉檢測為基礎，闡述了該算法進行人臉檢測的過程，指出該算法的不足之處，并針對這些不足提出了改進策略。
　　1)傳統(tǒng)Adaboost人臉檢測算法中，Adaboost分類器不能構造出錯誤率最小的分類器。并且傳統(tǒng)Adaboost算法將樣本分類看作對稱的兩類分類問題。即正樣本的誤檢率FRR和負樣本的誤檢率FAR擁有

3、相同的地位。但在級聯(lián)檢測器中，需要保證每一層的分類器對正樣本有較低的誤檢率，才能達到最終檢測器對正樣本的低誤檢率要求。因此，本文將AD Adaboost算法運用于人臉檢測過程中的分類器訓練。該算法在保證分類器有較高的檢出率的情況下，誤檢率明顯降低，從而提高人臉檢測算法的檢測性能。
　　2)傳統(tǒng)Adaboost算法的人臉檢測過程中級聯(lián)檢測器為一維級聯(lián)檢測器，這種級聯(lián)結構無法有效解決人臉樣本集內部差異較大的情況，本文提出使用K-mea

4、ns算法，將人臉樣本集聚類劃分為K個子集，并對子集分別訓練強分類器，構造二維級聯(lián)檢測器，從而提高級聯(lián)檢測器性能。實驗結果表明，在同等條件下，改進算法提高了檢測精度及檢測速度。
　　對于復雜場景的人臉跟蹤問題，論文闡述了自適應均值漂移算法和卡爾曼濾波的基本原理及其在人臉跟蹤領域的應用。論文通過自適應均值漂移算法對人臉進行跟蹤實驗，發(fā)現(xiàn)該算法在人臉被遮擋或運動較快的情況下易出現(xiàn)跟蹤丟失的情況。論文使用自適應均值漂移與卡爾曼濾波相結合的