基于Adaboost和TLD算法的人臉檢測跟蹤系統.pdf

1、對人臉圖像的研究作為計算機視覺領域的重要課題之一,越來越受到重視。人臉圖像處理涉及到計算機圖形學、計算機視覺、模式識別、機器學習、感知科學、人工智能、計算智能等多種技術。當前對人臉圖像的研究主要集中在人臉檢測、人臉跟蹤、人臉識別、表情識別、姿態(tài)分析以及人臉合成等領域,而這一系列的研究都是建立在人臉檢測和跟蹤的成果基礎之上。目前,對人臉圖像的研究和跟蹤已經廣泛應用于視頻監(jiān)控、人機交互等領域。本文主要對視頻中人臉圖像的檢測和跟蹤進行了研究。

2、
　　本文首先研究了靜態(tài)圖像下人臉檢測的問題,包括當前最流行的基于Adaboost算法的級聯檢測算法。介紹了Haar特征的構成,積分圖策略、弱分類器的選擇以及如何訓練級聯分類器。研究發(fā)現,Adaboost算法的訓練過程極其耗時,且最終構建的級聯分類器雖然能以較快的速度檢測圖像,但是其檢測率也有相應的降低。本文提出一種新的BitBP特征描述算子,該算子可以準確的描述圖像局部信息的灰度變化情況。實驗證明,BitBP特征的分類能力要比H

3、aar特征和MB-LBP特征強。采用BitBP特征作為弱分類器,利用RealAdaboost算法訓練得到級聯分類器,可以大大降低檢測器的訓練時間,僅為Haar特征訓練時間的30.81％,用較少的特征數目達到同Haar特征相同的檢測效果。根據BitBP特征的特性,本文提出一種新的多重級聯的方式,可以在有效的簡化分類器的訓練過程的同時,保證分類器的檢測效果。在MCU+MIT測試集上,誤檢窗口數相同時,本文算法檢測率要高于Haar特征分類器的

4、檢測率。
　　其次,本文主要研究和改進了當前流行的Tracking-Learning-Detection(TLD),該算法將跟蹤問題分為三個彼此獨立又相互關聯的模塊,可以有效的克服遮擋、目標消失以及重新定位等問題。本文結合MeanShift跟蹤算法和TLD框架,構建了新的跟蹤系統,克服了原始TLD算法不能對對快速多姿態(tài)變化的目標進行跟蹤的弱點。
　　最后,本文針對人臉檢測和跟蹤問題,將基于MeanShift的TLD框架與人臉