人脸动态检测与实时跟踪系统的设计

论文摘要

随着信息技术的高速发展以及应用领域的需求,人脸检测与跟踪技术吸引了众多的研究者,国内外针对人脸检测与跟踪技术开展了大量的工作,并且不断有新的研究成果出现。本文首先设计了一个面向实际应用的人脸动态检测与实时跟踪系统,为了节约系统开发所需时间,对开发工具进行了合理选择。其次,本系统针对人脸检测模块实时性的需要,采用了一种基于AdaBoost的人脸检测算法。针对该算法训练时间过长,对尺寸较大的图像无法达到实时性的缺点,结合序列图像和人脸的特点,在保证检测精度的前提下,通过合理选择矩形特征模板,优化矩形特征的选取,减少了训练时间;引入帧差法,通过减少人脸检测区域的面积,提高了人脸检测速度。再次,本文对比几种常见的人脸跟踪算法,根据系统实时性的需要,采用了基于CamShift的人脸跟踪算法。针对CamShift算法不能实现自动跟踪,且抗肤色背景干扰和目标遮挡的能力较差的缺点,提出利用面积和比例阈值的方法,结合人脸检测算法实现了CamShift算法的自动跟踪及人脸被遮挡后继续跟踪。通过引入亮度及饱和度信息,加权人脸权值,提高了算法的抗干扰性。此外,基于DirectShow技术,完成了系统的视频图像采集、视频压缩、存储和实时回放,其中视频压缩可以选用多种压缩方式。最后,建立了一个面向实际应用的人脸动态检测和实时跟踪系统,在跟踪阶段利用跟踪信息自动调整云台的方位和镜头的参数使得跟踪效果达到最佳。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 国内外研究进展
• 1.3 本文的研究内容和创新点
• 1.3.1 本文的研究内容
• 1.3.2 本文的创新点
• 第二章 人脸动态检测与实时跟踪系统的设计
• 2.1 系统硬件连接
• 2.2 系统工作流程
• 2.3 系统开发工具选择
• 2.3.1 OpenCV 视觉函数库
• 2.3.2 DirectShow 技术
• 2.4 本章小结
• 第三章 人脸动态检测算法
• 3.1 人脸检测技术的研究
• 3.1.1 基于模板匹配的人脸检测算法
• 3.1.2 基于彩色信息的人脸检测算法
• 3.1.3 基于统计学习的人脸检测算法
• 3.2 ADABOOST 人脸训练和检测算法
• 3.2.1 AdaBoost 算法
• 3.2.2 样本的收集和处理
• 3.2.3 特征描述
• 3.2.4 分类器的构造
• 3.3 训练和检测优化
• 3.3.1 提高训练速度
• 3.3.2 提高检测速度
• 3.4 实验结果及分析
• 3.5 本章小结
• 第四章 人脸跟踪算法
• 4.1 人脸跟踪技术的研究
• 4.1.1 利用背景信息跟踪
• 4.1.2 基于光流的人脸跟踪算法
• 4.1.3 基于背景减除与时间差分的方法
• 4.1.4 基于局部器官特征的方法
• 4.1.5 基于肤色信息的方法
• 4.2 CAMSHIFT 人脸跟踪算法
• 4.2.1 颜色模型的选取
• 4.2.2 颜色模型变换的算法
• 4.2.3 色彩直方图
• 4.2.4 直方图反向背景投影图
• 4.2.5 均值漂移算法
• 4.2.6 连续自适应的均值位移算法
• 4.3 CAMSHIFT 人脸跟踪算法的改进
• 4.3.1 Camshift 算法的不足
• 4.3.2 Cam Shift 算法的改进
• 4.4 跟踪结果及分析
• 4.4.1 MeanShift 与CamShift 人脸跟踪窗口实验
• 4.4.2 改进算法前后实验对比
• 4.5 本章小结
• 第五章 系统的实现
• 5.1 系统实现
• 5.2 云台控制策略
• 5.3 系统运行实例
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 人脸检测与跟踪技术展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的论文