基于视频的实时人脸检测算法研究

摘要

人脸检测最初是作为人脸识别系统的第一步，目的是从背景中定位和提取出人脸来，现在已经作为一个独立的研究课题备受关注。它已被人们广泛的应用于日常生活当中，如视频监控系统、人机交互系统、图像检索、视频会议、身份验证以及虚拟现实等很多方面，具有很广泛的应用前景和社会效益。随着应用的推广，各种新方法、技术都被引用到人脸检测中来以满足实时性的需要。但由于外界环境因素的干扰使得背景图像不断变化，因而目前所有的算法都不能适应各种情况，所以要研究出一种鲁棒性好，检测精度高且性能好的人脸检测算法是一项很艰巨的任务。
　　 本文在回顾前人工作，研究各种检测算法，及其应用场合的基础上，提出了一些检测算法的改进，并将人脸检测与较好性能的跟踪算法进行融合，解决了存在部分遮挡、表情、光照等因素对检测效果的影响，满足了视频监控系统对检测算法实时性的要求，实现了在视频中对人脸检测、定位以及跟踪。主要内容如下:
　　 (1)针对AdaBoost算法训练阶段提取大量的Haar特征，计算耗时大的弊端，本文将Haar特征用环形对称Gabor变换(CSGT)特征代替，提取图像变换后的局部极值作为特征并且限制特征的均匀分布，来训练分类器，CSGT继承了Gabor小波的特性，具有较强的表现性，且CSGT特征具有严格的旋转不变性，所以改进后的AdaBoost算法对表情，姿态的变化具有较好的鲁棒性。实验证明达到了较好的检测效果，但该算法是在牺牲了检测速度的基础上提高了训练速度，不过在现有科技发展的基础上，使用多核处理器和硬件加速，会使检测速度提高很多。
　　 (2)分析了基于肤色分割的人脸检测算法，本文将其和AdaBoost算法结合，进行人脸检测，针对复杂背景的图像，使用肤色分割将候选肤色区域提取出来，然后使用人脸模型比例范围去除一部分非人脸区域，最后使用训练好的AdaBoost分类器进行人脸检测。实验表明，与AdaBoost人脸检测算法相比，不仅提高了检测精度，而且检测速率也得到提高。
　　 (3)针对动态视频的人脸检测，本文使用运动估计算法，将带有人脸的运动区域提取出来，使用上面的人脸检测算法进行人脸检测。这种算法能够很好的消除背景运动引起的干扰，而且具有一定的检测速度和效果，满足一定的实时性。
　　 (4)在检测算法的基础上，引入SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）算法用于目标之间的匹配以达到跟踪的效果，该算法提取的特征点具有尺度、旋转、平移的不变性，而且对光照变化、仿射变换和3维投影变换具有一定的鲁棒性。本文中对该算法稍微做了一些改动，由于图像的分辨率都很大，提取的特征点很多，使得计算量增大，所以对特征点加入距离约束机制，限制特征点之间的距离，使其在目标上分布均匀，在不降低匹配率的基础上，减少匹配时间。