视频图像人脸特征点跟踪技术研究

摘要

人脸检测、跟踪和特征点定位技术作为计算机视觉研究的关键技术，目前已广泛应用于智能监控、身份识别、表情分析等。但当目标处于复杂背景、遮挡和光照变化的情况下，现有人脸检测和跟踪算法难以获得满意效果。本文重点研究复杂背景、遮挡和光照变化等环境下的人脸检测、跟踪及特征点定位问题，并提出了相应的改进算法。
　　光照变化是影响人脸检测的主要因素之一，本文采用多尺度Retinex算法对待检测图像进行增强，消除光照问题产生的影响。人脸检测要求实时地在待检测图像中识别存在的人脸，属于人脸与非人脸分类问题。经典的Adaboost算法能精确检测出图像中的人脸，但其中所采用的分类器运算量很大，导致人脸检测速度很慢，无法满足实时性的要求。为了提高Adaboost的检测速度和精度，本文将肤色分割应用于人脸检测过程中，首先选出带检测图像的肤色区域，再利用Adaboost人脸检测肤色区域。实验证明，改进的Adaboost检测算法能显著提高人脸检测的速度和精度。
　　光流计算很早就被用于视觉跟踪，但由于光流计算在选择跟踪窗口时面临精确性和鲁棒性的矛盾，容易导致跟踪点漂移或丢失，本文采用基于图像金字塔的光流跟踪计算方法，提高了人脸特征跟踪的精确性。
　　视频流中目标的后验概率分布往往呈非线、非高斯性，由于粒子滤波能对非线性、非高斯的系统进行精确建模，而被广泛应用于视觉跟踪。但是，被跟踪目标往往容易被瞬时遮挡或光照变化，精确建模的粒子滤波方法不能适应这些变化，无法实时跟踪目标。为了适应视频流中被跟踪目标表观的实时性变化，本文采用递增PCA方法对目标进行实时建模，能显著提高了人脸跟踪的稳定性和精确性。
　　ASM（Active Shape Model）被广泛应用于视频流中的人脸跟踪，但大多局限于头部运动较缓慢的无遮挡的正面人脸跟踪，很难精确跟踪到头部快速运动和表观发生变化的人脸。本文首先改进人脸检测算法，再将基于IPCA的粒子算法应用到ASM特征点跟踪，实验表明，该方法能有效提高ASM搜索的精确度和鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

1.1研究背景及意义

1.2国内外研究现状

1.3特征提取方法

1.4本文主要内容及章节安排

第二章 人脸检测

2.1 图像预处理技术

2.2基于肤色的人脸区域分割

2.3基于Haar特征的Adaboost人脸检测

2.4 实验结果与讨论

2.5本章小结

第三章 基于光流算法的人脸跟踪

3.1光流算法概述

3.2基于图金字塔的特征光流跟踪

3.3实验结果与讨论

3.4本章小结

第四章 基于粒子滤波的人脸跟踪

4.1基于概率的跟踪方法概述

4.2目标模型

4.3粒子滤波在人脸跟踪中的应用

4.4实验结果与讨论

4.5本章小结

第五章 自适应ASM特征点跟踪

5.1 ASM建模

5.2 ASM特征点匹配

5.3实验结果与讨论

5.4本章总结

第六章 总结与展望

致谢

参考文献

攻读硕士研究生期间的研究成果