复杂背景下的人脸检测与跟踪方法研究

摘要

随着人脸识别技术在模式识别、计算机视觉和多媒体技术等领域中的不断发展，人脸检测与跟踪作为人脸识别技术中的关键问题，越来越受到大量相关研究者的关注与重视。目前，人脸检测与跟踪受到与肤色相近及其他复杂背景的影响，在实际应用中还存在很大的困难。
　　 针对以上问题，本文的研究工作主要包括两个方面:复杂背景下的人脸检测方法和对视频中的运动人脸进行检测跟踪。
　　 在人脸检测方面，首先本文提出一种基于多肤色空间下的肤色分割方法。具体做法是，先利用均值滤波、拉普拉子算法等方法对图像进行增强处理，然后结合YCbCr、YCgCr、YCgCb三种颜色空间下的多肤色空间对图像进行肤色分割，定位出候选的人脸区域，实验表明该方法对复杂背景下的彩色图片的肤色分割具有非常好的效果。其次，本文深入研究了级联分类器与弱分类器之间的关系，并对训练过程和检测器设计两部分进行了研究分析，采用待检测图像的大小固定不变，逐层等比放大检测窗口的检测器，并加入窗口合并机制来提高人脸检测效果。最后，综合上述方法对图像进行人脸检测。实验结果表明，基于多肤色空间的人脸区域分割及AdaBoost的人脸检测算法相对于传统方法的检测效果有较大的提高，适用于各种复杂背景下的彩色人脸图像的检测。
　　 在人脸跟踪方面，本文首先将卡尔曼滤波算法运用到视频的面部跟踪上来，实现了视频中人脸的跟踪过程。实验表明，虽然基于卡尔曼滤波的人脸跟踪能相对有效的跟踪到人脸，但是该方法在初始定位以及人脸定位的精确度上还有待提高，因此，本文结合改进的人脸检测方法对视频序列进行初始化人脸定位，并实时地对人脸进行检测跟踪。实验表明，该方法能在一定程度上加快了滤波初始化定位的速度，更好地实现了人脸定位及跟踪的精确性。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 人脸检测与跟踪的研究现状

1．2．1 人脸检测的研究现状

1．2．2 人脸跟踪的研究现状

1．2．3 人脸检测方法

1．2．4 人脸跟踪方法

1．3 人脸检测与跟踪面临的困难

1．3．1 人脸检测面临的困难

1．3．2 人脸跟踪面临的困难

1．4 论文的主要研究工作

1．5 论文组织结构

第二章 相关理论和算法基础

2．1 AdaBoost算法描述

2．1．1 Haar-like特征与积分图

2．1．2 AdaBoost算法构建强分类器

2．1．3 Cascade分类器

2．2 肤色分割理论

2．2．1 图像增强

2．2．2 颜色空间

2．2．3 肤色模型的建立

2．3 卡尔曼滤波

2．3．1 离散卡尔曼滤波

2．3．2 线性卡尔曼滤波的预测和更新

2．4 本章小结

第三章 基于多肤色空间及AdaBoost算法的人脸检测方法

3．1 算法的提出与方法流程

3．2 多肤色分割方法

3．2．1 图像增强方法的选取

3．2．2 颜色空间的选取

3．2．3 多肤色空间下的肤色分割方法

3．3 AdaBoost算法检测器的设计

3．4 实验结果及分析

3．4．1 多肤色空间下的肤色分割对比

3．4．2 本文方法与几种现有方法检测结果对比

3．4．3 实验总结

3．5 本章小结

第四章 基于Kalman和AdaBoost算法的人脸跟踪方法

4．1 人脸跟踪问题分析

4．2 人脸跟踪方法的实现

4．2．1 基于卡尔曼的面部区域跟踪算法

4．2．2 基于卡尔曼和AdaBoost算法的人脸跟踪方法

4．3 实验结果及分析

4．3．1 基于卡尔曼滤波面部区域跟踪的实验与分析

4．3．2 本文方法与卡尔曼滤波跟踪算法实验对比

4．4 本章小结

第五章 总结及未来工作

5．1 本文工作总结

5．2 下一步工作

致谢

攻硕期间从事的科研工作及取得的科研成果

参考文献