人脸跟踪与识别技术研究

摘要

随着信息技术的不断发展和视频会议、远程教学等多媒体形式的日益普遍，人们对图像跟踪、目标识别提出了更高的要求。人脸作为人体的重要生物特征，有着唯一性和稳定性的特点，是跟踪与识别的理想依据。但是仍有许多问题需要解决。比如如何在图像中精确的定位人脸，如何解决跟踪过程中的遮挡问题、倾斜翻转问题，如何提高人脸识别算法中特征分类准确度问题等。
　　 针对以上问题，本文提出了基于改进Camshift和Harr检测的实时人脸跟踪算法以及基于SVM和AdaBoost的近红外人脸识别算法，并设计了相关实验。实验表明，本文算法能够有效克服目标人脸遮挡问题和倾斜旋转状态下的目标跟踪丢失问题，能够提高特征分类器的分类能力，效果优于其他算法。
　　 在人脸检测与定位方面，结合了图像预处理的几种方法，通过自适应光照补偿和二层小波变换方法，降低了环境光照变化的不利影响，去除了背景噪声。采用Haar检测法的积分图算法，通过AdaBoost方法训练加强，可以实现非接触式的友好性强的人脸检测，检测率高，定位准确。
　　 在人脸跟踪方面，以CamshiR跟踪算法为基础，提出了一种时间回溯算法，可以很好的解决跟踪遮挡问题；引入了变加权直方图模型，可以有效的克服人脸倾斜翻转状态下，目标容易丢失的问题；加入角度变量，创建椭圆人脸模版，更加符合人脸的实际特征，取得了不错的跟踪效果。
　　 在人脸识别方面，首先设计并调试了人脸图像采集硬件系统。在此基础上，选择近红外光源，采取了较为流行的二维主成分分析(2 Dimensional PrincipalComponent Analysis)算法实现人脸识别。对特征数据采用SVM分类算法和AdaBoost训练方法决策融合的分类方法，可以将识别特征准确快速的分类，提高了整体算法的识别率。
　　 最后，为了验证人脸跟踪算法和人脸识别系统的性能，设计了人脸跟踪的遮挡实验，倾斜翻转实验，稳定性实验和实时性实验，验证得出本文算法的跟踪丢失率低、实时性好的结论。设计了人脸识别算法的识别率实验和复杂度实验，比较了不同算法的识别率和计算用时，实验表明，本文算法的复杂度较低，识别率可达90％以上。