基于boosting實(shí)時(shí)人臉檢測(cè)跟蹤技術(shù)研究.pdf

1、隨著人工智能和計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器視覺技術(shù)研究取得了長(zhǎng)足的進(jìn)步，并引起了越來越多的關(guān)注。目前，根據(jù)機(jī)器視覺完成的檢測(cè)、識(shí)別、跟蹤廣泛應(yīng)用于國(guó)防建設(shè)、航空航海、醫(yī)藥衛(wèi)生、安全監(jiān)控等國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域。人臉檢測(cè)與跟蹤則是其中一個(gè)重要的應(yīng)用方向。人臉檢測(cè)的目的是檢測(cè)某監(jiān)控區(qū)域內(nèi)是否出現(xiàn)人臉并確定人臉出現(xiàn)的位置、大小等信息；目標(biāo)跟蹤的目的是對(duì)選中的目標(biāo)進(jìn)行軌跡的描述，涉及到目標(biāo)特征的提取、目標(biāo)的匹配等多個(gè)方面。本研究對(duì)視頻序列中人臉的實(shí)時(shí)監(jiān)控

2、進(jìn)行了研究，分別對(duì)檢測(cè)和跟蹤的算法進(jìn)行了分析，并提出相應(yīng)的改進(jìn)依據(jù)和改進(jìn)方法。主要內(nèi)容如下： ⑴通過分析AdaBoost訓(xùn)練和檢測(cè)的過程，指出影響AdaBoost檢測(cè)速度的要素，并提出了通過區(qū)域生長(zhǎng)、腐蝕等預(yù)處理方式進(jìn)行區(qū)域的合并，降低背景的復(fù)雜度，從而提高檢測(cè)的速度。此外，本文通過訓(xùn)練得到了側(cè)面人臉級(jí)聯(lián)分類器，增加了對(duì)側(cè)面人臉的檢測(cè)模塊，采用串并聯(lián)結(jié)構(gòu)將正面人臉和側(cè)面人臉的檢測(cè)綜合起來，擴(kuò)大了系統(tǒng)對(duì)人臉的檢測(cè)范圍。 ⑵

3、通過分析影響粒子濾波跟蹤速度和跟蹤效果不穩(wěn)定的原因，提出了自適應(yīng)粒子離散度控制機(jī)制和類菱形的搜索模型，重新定義了特征提取的規(guī)則，提高了系統(tǒng)的速度和跟蹤效果的準(zhǔn)確性。 ⑶將檢測(cè)和跟蹤結(jié)合起來，把跟蹤的結(jié)果作為反饋，重新設(shè)定感興趣區(qū)域并送回檢測(cè)系統(tǒng)，進(jìn)而校驗(yàn)并標(biāo)定人臉的準(zhǔn)確位置，降低了系統(tǒng)的虛警率。同時(shí)，本文分析了后處理過程中加入人眼模型作為檢驗(yàn)的優(yōu)點(diǎn)和局限性，并指出其適用情況。 ⑷在PC平臺(tái)下實(shí)現(xiàn)了一個(gè)基于Intel Op