视频中基于检测的人脸跟踪方法研究与实现

摘要

人脸图像处理领域包含人脸识别、姿态估计、表情识别、视频监控等研究方向,而几乎所有这些方向都涉及到人脸的检测与跟踪问题。人脸检测和跟踪是人脸图像处理的第一步,在基于内容的图像与视频检索、视频监视与跟踪、数字视频处理、视频会议以及智能人机交互界面等方面都有着重要的应用价值。
　　 本文研究工作从基于AdaBoost算法的人脸检测出发,分别从训练样本与检测过程对该算法进行优化,并在此基础上设计并实现了人脸检测与跟踪实验系统。
　　 首先,AdaBoost算法效果的好坏关键在于前期训练时候的弱分类器的选取,而弱分类器的选取在一定程度上依赖于样本集的选取。因而训练样本集显得十分重要。本文深入分析了级联分类器与弱分类器之间的关系,从样本选取角度出发,根据检测率、漏检率与错检率3个指标,提出一种基于改进样本选取的AdaBoost人脸检测方法。该方法分为训练和检测两部分,主要通过对训练样本的比例优化和检测窗口的合并来实现。实验结果表明,该方法检测性能上比传统方法有更好的检测效果。
　　 其次,采用初始状态的选取及其被跟踪的人脸区域可以通过调整参数进行放大或者缩小的卡尔曼滤波选取候选人脸区域的方法,从而减少搜索时间提高脸部区域检测的速度,使基于检测的跟踪能得以实现。
　　 最后,融合基于改进样本选取的AdaBoost人脸检测与卡尔曼滤波选取候选人脸区域的方法,完成视频中基于检测的人脸跟踪的设计与实现,然后通过对3段视频进行实验来验证本方法的可行性,并且能较好地在视频中跟踪到人脸。

目录

文摘

英文文摘

第一章 绪论

1.1 论文选题背景

1.2 人脸检测研究现状

1.3 人脸跟踪的研究现状

1.4 论文的主要工作

1.5 论文组织结构

第二章 人脸检测与跟踪技术基础

2.1 人脸检测与跟踪的主流算法

2.1.1 人脸检测的主流算法

2.1.2 人脸跟踪的主流算法

2.2 AdaBoost算法简介

2.2.1 弱分类器

2.2.2 训练强分类器

2.2.3 级联分类器的训练算法

2.3 卡尔曼滤波简介

2.4 本章小结

第三章 改进样本选取的AdaBoost人脸检测

3.1 引言

3.2 AdaBoost算法流程

3.3 基于AdaBoost算法的人脸检测技术

3.3.1 Haar-like特征与积分图像

3.3.2 由Haar-like特征构造弱分类器

3.3.3 AdaBoost算法构建强分类器

3.3.4 级联分类器

3.4 改进样本选取的AdaBoost人脸检测的方法

3.4.1 可行性分析与参数预设定

3.4.2 训练样本的选取分析

3.4.3 训练样本的选取实验

3.4.4 训练样本选取结果分析

3.4.5 检测器的设计

3.4.6 检测的结果分析

3.4.7 最终实验结果

3.4.8 检测速度分析

3.5 本章小结

第四章 基于卡尔曼滤波的面部区域跟踪

4.1 引言

4.2 卡尔曼滤波方法

4.2.1 离散卡尔曼滤波

4.2.2 线性卡尔曼滤波的预测和更新

4.3 基于卡尔曼滤波的面部区域跟踪

4.4 实验仿真测试

4.5 本章小结

第五章 基于检测的人脸跟踪方法的实现

5.1 引言

5.2 基于检测的人脸跟踪的设计与实现

5.2.1 视频图像的采集

5.2.2 人脸跟踪算法的实现

5.2.3 处理完成后的视频流的输出

5.3 实验结果

5.3.1 实验对象

5.3.2 实验过程及结果

5.3.3 实验结论

5.4 本章小结

第六章 结论及未来的工作

6.1 结论

6.2 未来的工作

致谢

攻读硕士学位期间从事的科研工作及发表的论文

参考文献