人臉跟蹤與特征點(diǎn)定位的研究.pdf

1、目前計(jì)算機(jī)視覺(jué)受到很多學(xué)者的青睞，視頻人臉跟蹤與識(shí)別是其中的一個(gè)研究熱點(diǎn)。它有著廣泛的應(yīng)用前景及研究意義，如在安防監(jiān)控系統(tǒng)、視頻會(huì)議、門(mén)禁系統(tǒng)、遠(yuǎn)程教學(xué)、身份識(shí)別中都會(huì)用到。人臉檢測(cè)、跟蹤、識(shí)別三者密不可分相輔相成。人臉檢測(cè)是人臉跟蹤的基礎(chǔ)，為跟蹤目標(biāo)提供初始位置信息，人臉檢測(cè)與實(shí)時(shí)跟蹤為后續(xù)動(dòng)態(tài)地進(jìn)行特征點(diǎn)擬合提供準(zhǔn)確位置信息。本文分別對(duì)視頻人臉檢測(cè)、跟蹤、關(guān)鍵特征點(diǎn)定位三大部分做了深入的研究。
　　本文采用Adaboost算法

2、對(duì)靜態(tài)圖像幀進(jìn)行人臉檢測(cè)定位。檢測(cè)之前需要利用訓(xùn)練樣本集訓(xùn)練出人臉?lè)诸?lèi)器，選擇5種基本Haar特征以及擴(kuò)展的Haar特征來(lái)表征臉部灰度分布特征，并利用積分圖法計(jì)算每一個(gè)像素點(diǎn)的特征值保存在一個(gè)矩陣中以簡(jiǎn)化計(jì)算。在訓(xùn)練人臉?lè)诸?lèi)器過(guò)程中，通過(guò)逐次改變樣本權(quán)重實(shí)現(xiàn)樣本集更新，不斷突出未檢測(cè)到的圖像，消弱已檢測(cè)到的圖像的權(quán)重。經(jīng)過(guò)T次循環(huán)得到T個(gè)帶有權(quán)重的弱分類(lèi)器，最后選擇若干個(gè)弱分類(lèi)器加權(quán)為一個(gè)強(qiáng)分類(lèi)器，并可將若干個(gè)分類(lèi)能力逐級(jí)增強(qiáng)的強(qiáng)分類(lèi)器

3、級(jí)聯(lián)起來(lái)構(gòu)成級(jí)聯(lián)分類(lèi)器，至此人臉檢測(cè)分類(lèi)器訓(xùn)練完成。為提高人臉檢測(cè)的準(zhǔn)確度和魯棒性，本文在目標(biāo)檢測(cè)之前，對(duì)輸入圖片進(jìn)行一系列預(yù)處理操作，如:光照補(bǔ)償、直方圖均衡化、噪聲濾除。預(yù)處理完成后，即可用Adaboost人臉檢測(cè)器對(duì)圖像中人臉進(jìn)行檢測(cè)定位，為后續(xù)人臉跟蹤與識(shí)別做準(zhǔn)備。
　　本文的視頻人臉跟蹤算法是以Adaboost人臉檢測(cè)為基礎(chǔ)的。傳統(tǒng)的Camshift算法，是一種半自動(dòng)化人臉跟蹤算法。在跟蹤開(kāi)始時(shí)需要手動(dòng)輸入人臉的初始位置

4、。本文將Adaboost與Camshift算法相結(jié)合實(shí)現(xiàn)了人臉跟蹤器的自動(dòng)化功能。人臉跟蹤是以人臉膚色為基礎(chǔ)的，容易受到光照和背景以及近膚色目標(biāo)的干擾，影響跟蹤效果。鑒于上述問(wèn)題，本文分別給與了相應(yīng)的改善方案。首先，加入Adaboost檢測(cè)器，在跟蹤之前啟用檢測(cè)器對(duì)人臉進(jìn)行初始定位并且給定搜索窗口初始位置;對(duì)于近膚色或遮擋物出現(xiàn)時(shí)本文采用尺寸約束對(duì)其改善;若在跟蹤過(guò)程中，由于兩幀之間的距離太大、有部分遮擋或者由于出現(xiàn)近膚色目標(biāo)等問(wèn)題導(dǎo)致

5、跟蹤目標(biāo)丟失，此時(shí)可以重新啟用Adaboost跟蹤器對(duì)人臉重新定位。Adaboost人臉檢測(cè)器的引入以及尺寸約束規(guī)則的使用，很好的實(shí)現(xiàn)了Camshift算法的高效跟蹤，很好的解決了跟蹤目標(biāo)丟失的問(wèn)題，也實(shí)現(xiàn)了其自動(dòng)循環(huán)檢測(cè)跟蹤。其次，在概率密度分布圖中，人臉區(qū)域內(nèi)會(huì)有黑色的像素點(diǎn)。本文采用opencv里面的中值濾波函數(shù)cvSmooth以及腐蝕與膨脹等方法加以改善，使圖像更加連通并去除臉部的噪聲點(diǎn)。另外，由于Adaboost檢測(cè)算法使用矩

6、形框標(biāo)注人臉位置，不太符合人臉形狀，在拐角處會(huì)引入一些背景點(diǎn)，本文將其轉(zhuǎn)換為橢圓形，并加一個(gè)旋轉(zhuǎn)角度，有效的提高了跟蹤算法的準(zhǔn)確率與魯棒性。人臉跟蹤定位的位置信息為后續(xù)的特征點(diǎn)擬合提供了初始參數(shù)。
　　本文采用主動(dòng)表觀模型(Active Appearance Model，AAM)與反向組合算法進(jìn)行人臉特征擬合。首先利用Camshift算法的定位結(jié)果作為特征擬合的初始位置，然后通過(guò)紋理信息能量函數(shù)約束形狀不斷逼近輸入圖片人臉的真實(shí)位

7、置，直到能量函數(shù)達(dá)到最小。求出此時(shí)局部以及全局形狀參數(shù)及紋理參數(shù)以對(duì)關(guān)鍵特征點(diǎn)進(jìn)行定位。傳統(tǒng)的反向組合AAM擬合算法能夠很好地實(shí)現(xiàn)對(duì)正面人臉圖片進(jìn)行定位，但是對(duì)于在平面內(nèi)有旋轉(zhuǎn)角度的人臉，在定位的準(zhǔn)確率和效率上都不是很高。針對(duì)這個(gè)問(wèn)題，本文提出用眼睛定位法求取人臉的旋轉(zhuǎn)角度，并將旋轉(zhuǎn)角度傳遞給全局初始位置參數(shù)。這樣不僅減少了迭代的次數(shù)，而且提高了關(guān)鍵特征點(diǎn)定位正確率，對(duì)一些原先擬合失敗的圖片也可以準(zhǔn)確的找到關(guān)鍵特征點(diǎn)的位置。