文档介绍:重庆大学硕士学位论文 1 绪论
行三维建模,实现了人脸区域的跟踪[7]。Black 和 Yacoob 在人脸跟踪中融入光流算
法,可以通过参数模型跟踪人脸的刚性运动[8]。MIT 的 Basu 与 Pentland 的基于模
型的人脸跟踪,采用的是椭球模型。该方法对于旋转角度偏大的人脸能进行有效
的跟踪,提高了鲁棒性,并且能够对三维空间中的人脸偏转等参数进行有效的估
算[9]。
论文结构安排
第一章介绍了人脸检测和跟踪算法的研究背景、学术意义、技术难点、发展
现状。
第二章总结和归纳常用的人脸检测和跟踪方法。
第三章重点介绍了基于 Haar-Like 特征的 AdaBoost 人脸检测算法。通过实验
验证该算法的优缺点,在后续章中对缺点进行改进。
第四章详细介绍了基于 CamShift 算法的人脸跟踪。本章详细分析了 CamShift
的相关知识,肤色概率分布图、Mean Shift 算法等。在 HSV 彩色空间中,由于色
调信息不容易受到光照的影响,因此本文通过 H 信息实现人脸跟踪。
第五章介绍了人脸检测与跟踪算法的实现并进行了相关实验。在第三章和第
四章的基础上,完成了人脸检测与跟踪算法的融合与改进,提高了算法的鲁棒性,
并在人脸检测算法失效时转入跟踪模块,通过实验验证了算法的有效性。
第六章总结了本文的工作,指出了其中的不足之处,并对后续工作进行了展
望。
5
重庆大学硕士学位论文 2 人脸检测和跟踪的主要方法
2 人脸检测和跟踪的主要方法
人脸检测的方法
随着人脸检测问题的深入研究,研究者们已经提出了不同角度的人脸检测算
法,这些算法并不是相互独立的,有许多种人脸检测算法是结合其他算法形成的。
人脸检测广泛涉及到模式识别、人工智能等领域,检测方法更是各式各样。
按照不同的分类角度,可以得到不同的分类结果:
①图像类型。此分类方法下,人脸检测可以分为静态图像检测和动态视频序
列检测。静态图像检测侧重于提高检测算法的鲁棒性,使其能够处理不同光照、
遮挡等约束条件下获得的图像。由于动态检测系统对实时性要求高,因此对于动
态视频序列的检测,检测速度是首要关键因素。
②图像色彩信息。按此分类方式,人脸检测可以分为彩***像的人脸检测和
灰度图像的人脸检测。彩***像检测算法可以利用人脸肤色信息间接判断图像中
人脸所在位置,相对地比灰***像检测算法简单。
③人脸姿态。根据图像中人脸姿态的不同,人脸检测算法可分为正面人脸检
测和侧面人脸检测。
④图像背景复杂程度。没有背景或背景类型较为单一的图像称为简单背景图
像,而图像背景未知或背景中可能存在与人脸相近事物的图像称为复杂背景图像。
相应的检测方法可分为简单背景图像人脸检测及复杂背景图像人脸检测。
现有的静态图像人脸检测算法多数针对复杂背景下的,若可判定图像中人脸
数目,则人脸检测问题可转化为人脸定位问题,亦即只需进行人脸定位即可完成
人脸检测。目前的人脸检测算法研究多数集中在如何更好的解决复杂背景下、彩
***像正面人脸检测问题,对于动态视频中的人脸检测,主要是在每一帧图像中
进行人脸检测以及结合帧间信息完成的。
在 2002 年 Ming-Hsuan Yang 发表的关于人脸检测的文章中,人脸检测的方法
分为以下四种[10]:
①基于知识的方法(Knowledge-based Methods):该算法基于研究者对于人脸
的先验知识实现人脸检测,通常图像中的人脸具有对称的眼睛、一个鼻子和嘴巴。
利用这些简单的规则描述了人脸的特征,确定人脸区域。
②基于特征的方法(Feature Invariant Approaches):该算法在外界条件、人脸
角度改变的时候,寻找人脸不变或相对稳定的特征确定人脸的位置。
③基于模板匹配的方法(Template Matching Methods):该算法首先存储一种或
者几种人脸特征的模板,通过比较输入样本与模板之间的关系,例如距离等,确
6
重庆大学硕士学位论文 2 人脸检测和跟踪的主要方法
定是否存在人脸。
④基于外观的方法(Appearance-based Methods):该算法的模板是通过样本学<br****得到的,这与基于模板匹配的方法中模板的预定义不同。
以下对这四种方法的优、缺点进行详细介绍。
基于知识的方法
该方法是利用人脸特征的先验知识进行检测的,人脸器官的关系可以总结为
一些规律。例如,人眼对称出现在人脸上,鼻子和嘴巴中心的连线垂直于人眼的
连线,等等。这些规律可以描述人脸的特征以及它们之间的关系,如果图像满足
这些规律,则存在人脸区域。
基于知识的方法的难点在于将人类的先验知识转换成规律的精确程度。样本