图像序列中人脸跟踪算法研究

论文摘要

近几年来,随着信息技术的发展以及应用领域的需求,人脸检测与跟踪及其它相关技术吸引了众多的研究者,国内外关于人脸检测和跟踪的方法多种多样,并且不断有新的研究成果出现。本文介绍了人脸检测与跟踪的研究与发展现况,着重介绍了视频序列中人脸跟踪的一些主要算法。并在以下几个方面做了一些研究工作:1.对基于统计学习的跟踪方法进行了探讨,并重点介绍了经典的卡尔曼滤波方法以及基于序列蒙特卡罗的粒子滤波方法,并比较了它们各自的优劣,从模拟与实验两方面来说明它们在跟踪方面的性能。2.探讨Mean Shift方法及Camshift方法,对Camshift算法进行了较详细的研究。将人脸检测算法与Camshift算法相结合,对人脸肤色在HSV空间中的H分量进行跟踪,实现对单人脸目标的跟踪。3.提出一种多人脸跟踪方法。先使用人脸检测算法进行人脸检测,之后结合卡尔曼滤波的预测功能,并依据本文提出的三个判别原则:最小距离原则、最大最小距离原则、相似大小原则,对序列图像检测结果中的人脸与已跟踪的旧目标进行相似性判断,选取最优相似人脸作为当前跟踪的目标,从而实现视频序列中的多人脸跟踪。综合以上研究可知,粒子滤波算法具有较好的跟踪性能,在非线性非高斯情况下也能很好地保持对目标的跟踪,但其计算复杂度高,不适合于直接应用在多目标跟踪系统中;CamShift算法中各变量的计算简单,算法复杂度低,但被跟踪目标之间以及被跟踪目标与背景之间在跟踪特征上应该有比较明显的区别。对于人脸跟踪系统来说,CamShift算法所使用的跟踪特征,目前多采用人脸肤色的概率分布,由于人脸在肤色上具有相似性,因此,仅基于肤色模式的CamShift算法对人脸目标之间互相遮挡的处理比较困难。针对室内人脸监控,本文提出的多人脸跟踪方案结合了由Viola提出的快速人脸检测算法以及计算简单的卡尔曼滤波算法,该方案计算复杂度低,能进行实时跟踪,并能在一定程度上对遮挡进行处理。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 人脸检测及跟踪研究概述
• 1.1.1 人脸检测及跟踪研究的背景及意义
• 1.1.2 相关概念
• 1.1.3 人脸检测与跟踪的研究现状
• 1.1.4 人脸检测与跟踪存在的主要困难
• 1.2 本文的主要研究内容和创新点
• 1.3 本文内容安排
• 第二章 人脸检测与跟踪技术综述
• 2.1 人脸检测的主要方法
• 2.1.1 基于先验规则的方法
• 2.1.2 基于统计学习的方法
• 2.2 人脸跟踪的主要方法
• 2.3 本章小结
• 第三章 基于统计学习的跟踪方法探讨
• 3.1 贝叶斯方法简介
• 3.2 卡尔曼滤波方法的研究
• 3.2.1 离散卡尔曼滤波方程推导
• 3.2.2 卡尔曼滤波跟踪方法的探讨与Matlab 模拟
• 3.2.3 卡尔曼滤波在单人脸跟踪中的应用
• 3.2.3.1 算法实现流程
• 3.2.3.2 实验结果与分析
• 3.2.4 基于序列蒙特卡罗（Sequence Monte Carlo）方法的研究
• 3.2.4.1 蒙特卡罗滤波方法概述
• 3.2.4.2 粒子滤波模型
• 3.2.4.3 粒子滤波的模拟实验
• 3.2.4.4 粒子滤波方法在跟踪中的应用
• 3.3 本章小结
• 第四章 基于颜色信息的CAMSHIFT 跟踪方法
• 4.1 色彩投影图（BACK PROJECTION）
• 4.2 均值偏移算法（MEAN SHIFT）
• 4.2.1 区域质心
• 4.2.2 均值偏移算法分析
• 4.2.2.1 均值偏移样例
• 4.2.2.2 均值偏移过程及一个收敛的充分条件
• 4.2.2.3 基于Bhattacharyya 系数度量的目标定位
• 4.3 CAMSHIFT 算法
• 4.3.1 CamShift 算法介绍
• 4.3.2 目标跟踪中二维方向的计算
• 4.3.3 跟踪的结果及分析
• 4.4 本章小结
• 第五章 多目标人脸跟踪
• 5.1 人脸目标的检测
• 5.1.1 人脸运动区域提取
• 5.1.1.1 背景模型构建及更新
• 5.1.1.2 自适应法分割运动区域
• 5.1.1.3 确定人脸搜索区域
• 5.1.2 检测人脸
• 5.2 人脸目标的跟踪
• 5.3 人脸跟踪结果及讨论
• 5.4 本章小结
• 第六章 结束语
• 6.1 主要研究工作总结
• 6.2 后续研究方向
• 参考文献
• 致谢