视频图像人脸特征点跟踪技术研究

论文摘要

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。

论文目录

• 摘要
• Abstract
• 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
• 2.1.1 图像成像理论
• 2.1.2 单尺度RETINEX 算法
• 2.1.3 多尺度RETINEX算法
• 2.2 基于肤色的人脸区域分割
• 2.2.1 肤色模型概述
• 2.2.2 肤色分割
• 2.3 基于HAAR特征的ADABOOST人脸检测
• 2.3.1 HAAR特征
• 2.3.2 积分图
• 2.3.3 特征值的计算
• 2.3.4 分类器的训练
• 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
• 3.2.1 图像金字塔
• 3.2.2 基于金字塔的特征跟踪
• 3.2.3 基于图像金字塔的光流计算
• 3.2.4 特征选择
• 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
• 4.1.1 概率跟踪方法分类
• 4.1.2 贝叶斯理论
• 4.1.3 粒子滤波
• 4.2 目标模型
• 4.2.1 主成份分析方法
• 4.2.2 递增主成份分析
• 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
• 5.1.1 特征点标定
• 5.1.2 对齐操作
• 5.1.3 形状建模
• 5.1.4 局部纹理建模
• 5.2 ASM特征点匹配
• 5.2.1 传统ASM特征点匹配
• 5.2.2 基于粒子滤波跟踪的ASM特征点跟踪
• 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