基于监控视频的人脸检测与实时跟踪提取

摘要

人脸检测和人脸跟踪是模式识别与计算机视觉研究领域重要的研究课题，在自动人脸识别、视频会议、智能视频监控、高级人机交互、医疗诊断等多个领域有着重要的应用价值。人脸检测与跟踪经过多年的发展已经取得了很大的进展。 本文针对国内外在人脸检测与跟踪方面的研究与发展现状，对基于类Harr特征利用AdaBoost算法训练人脸分类器的方法进行了深入探讨和应用，利用连续自适应均值移动算法（Continuously Adaptive Mean Shift，Camshift）对人脸进行跟踪。本文的主要研究工作和创新点包括如下方面： 1、基于AdaBoost算法训练分类器和实现人脸检测的过程，改进AdaBoost算法：1）简化多尺度检测问题；2）对不同姿态的人脸训练五个级联分类器，串联起来构成一个新的人脸分类器，然后用这个新的人脸分类器检测人脸实现多姿态的人脸检测。侧面人脸级联分类器的训练使得系统能够处理具有一定旋转角度的人脸，相对于传统AdaBoost算法提高了检测能力。 2、深入分析Camshift算法实现人脸跟踪的过程，并针对它的不足进行改进：1）利用AdaBoost人脸检测算法实现人脸的自动初始化；2）将检测与跟踪结合起来，检测的结果作为人脸跟踪的依据，而跟踪的结果又重新进行检测，用来确认跟踪的正确性并精确标记出人脸的具体位置。这样兼顾了跟踪的速度和跟踪的效果。 3、由于实际情况中从人脸图像序列中提取几张角度不同的清晰图像的需要，讨论大致计算人脸图像旋转角度的几种方法，从而能够实现人脸图像的有效提取。为诸如基于视频序列信号的三维人脸模型重建等一些应用建立了基础。

目录

文摘

英文文摘

论文说明：图表目录

声明

1绪论

1.1引言

1.2人脸检测方法研究现状

1.2.1基于知识的方法

1.2.2特征不变量方法

1.2.3模版匹配的方法

1.2.4基于表象的方法

1.3人脸跟踪技术研究现状

1.3.1穷举搜索法(Exhaustive Search)

1.3.2基于假设的方法(Hypothesis Based Method)

1.3.3均值移动算法(Mean Shift)

1.4本文研究的主要内容

2 AdaBoost人脸检测算法概述

2.1人脸检测评价标准

2.2类HARR特征与积分图

2.2.1类Harr特征

2.2.2积分图

2.3弱分类器与强分类器

2.3.1弱分类器

2.3.2强分类器

2.4级联分类器

2.5小结

3 AdaBoost人脸检测算法的改进

3.1 AdaBoost算法

3.2 AdaBoost算法训练的过程

3.2.1训练样本的选择

3.2.2训练过程的实现

3.3 AdaBoost算法检测过程的实现及改进

3.3.1 AdaBoost算法检测流程

3.3.2简化多尺度检测问题

3.4多姿态人脸检测

3.4.1多姿态人脸的训练

3.4.2多姿态人脸检测的实现

3.4.3实验结果与分析

3.5小结

4 Camshift人脸跟踪算法及其改进和实现

4.1引言

4.2 Camshift人脸跟踪算法

4.2.1颜色概率分布图

4.2.2 Mean Shift(均值移动)算法

4.2.3 Camshift算法

4.3 Camshift算法的实现流程与改进

4.3.1 Camshift算法实现流程

4.3.2 AdaBoost算法自动初始化跟踪窗口

4.3.3人脸检测与跟踪交替进行

4.4实验结果与分析

4.4.1改进Camshift算法实验

4.4.2实验结果分析

4.5小结

5视频序列中人脸图像的提取

5.1引言

5.2计算人脸角度的方法

5.3实验结果与小结

6总结与展望

6.1本文工作总结

6.2将来工作的展望

致 谢

参考文献

附录A改进AdaBoost算法的一些检测结果