人脸跟踪检测技术的应用研究

论文摘要

人脸跟踪检测技术是计算机视觉和模式识别领域中的一项重要研究课题,在诸如公共安全、智能门禁、海关身份验证、视频监控、智能建筑、人机交互等领域具有广泛的应用前景。在人脸跟踪检测中,检测是跟踪的基础。基于人脸特征的检测方法由于具有计算量小,方法相对简单等特点而被广泛采用。然而单独使用一种特征对人脸进行检测时,在复杂背景下检测的准确率往往比较低。在人脸特征中,考虑到基于肤色的人脸检测方法运算速度快,但受图像中大块类肤色区域和裸露肢体肤色的干扰较大,所以准确率不高；而基于人脸轮廓的检测方法通过检测人脸区域的形状能有效的解决肤色检测中的问题,但运算速度慢。因此,本文提出一种粗略检测和精确检测相结合的方法,首先利用肤色特征从复杂的图像中粗略定位出人脸的大致区域。然后,在这个大致区域中运用Hough变换检测人脸轮廓的方法精确定位出人脸的大小和位置。这样既解决了肤色检测的精度问题,又解决了轮廓检测的速度问题。跟踪是检测的目的,在跟踪算法中,基于Mean shift的Camshift跟踪算法较好地解决了Mean shift算法中跟踪窗口大小保持不变的问题而获得较广泛的应用。然而当跟踪过程中出现遮挡时,由于Camshift算法不具有预测能力,会造成跟踪目标的丢失。对此,本文提出基于Camshift与Kalman滤波预测相结合的人脸跟踪方法。该方法首先采用Kalman滤波器根据以往的人脸位置信息预测在本帧图像中人脸的可能位置,然后再利用Camshift算法在这个位置的邻域内找到人脸的真实位置,这样就使Camshift算法具有对人脸后继状态进行预测估计的能力,从而在人脸发生短时间的遮挡后依然可以进行准确地跟踪。仿真实验结果表明,本文提出的基于肤色特征和人脸轮廓相结合的人脸检测方法具有较快的响应速度和较高的准确率；基于Camshift与Kalman预测相结合的人脸跟踪方法能对视频中的人脸实现快速、准确地跟踪,并能较好的解决遮挡问题。从而验证了该人脸跟踪检测方法的有效性和实用性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的研究背景和意义
• 1.2 人脸跟踪检测的难点问题
• 1.3 国内外研究现状
• 1.3.1 人脸检测的研究现状
• 1.3.2 人脸跟踪的研究现状
• 1.4 本文主要工作和内容安排
• 1.4.1 本文主要工作
• 1.4.2 本文章节内容安排
• 第2章 常用人脸跟踪检测方法
• 2.1 常用的人脸检测方法
• 2.1.1 基于知识的方法
• 2.1.2 基于特征的方法
• 2.1.3 模板匹配法
• 2.1.4 基于统计学习的方法
• 2.2 常用的人脸跟踪方法
• 2.2.1 基于区域匹配的跟踪算法
• 2.2.2 基于运动模型的跟踪算法
• 2.2.3 基于光流法的跟踪
• 2.2.4 基于人脸特征的跟踪
• 2.3 本章小结
• 第3章 基于肤色特征和人脸轮廓相结合的人脸检测方法
• 3.1 利用肤色特征对人脸进行粗略定位
• 3.1.1 色彩空间的选取
• 3.1.2 肤色模型的选取
• 3.1.3 基于肤色模型的人脸初定位流程图
• 3.1.4 肤色分割阈值的选取
• 3.1.5 连通域去干扰法
• 3.1.6 积分投影法去干扰和实现人脸初定位
• 3.2 利用Hough变换检测人脸轮廓的方法精确定位人脸
• 3.2.1 对人脸初始区域进行填充和边界提取
• 3.2.2 Hough变换的基本原理
• 3.2.3 Hough变换检测人脸椭圆边界
• 3.2.4 改进的Hough变换检测人脸的方法
• 3.3 人脸检测仿真实验分析
• 3.4 本章小结
• 第4章 基于Camshift与Kalman预测相结合的人脸跟踪方法
• 4.1 基于Camshift的人脸跟踪算法
• 4.1.1 区域肤色Hue直方图的获取
• 4.1.2 Mean shift跟踪算法
• 4.1.3 基于Camshift的人脸跟踪过程
• 4.2 基于Camshift与Kalman滤波预测相结合的人脸跟踪
• 4.2.1 卡尔曼滤波原理分析
• 4.2.2 遮挡情况处理
• 4.2.3 Camshift结合卡尔曼滤波预测应用于人脸跟踪
• 4.3 综合仿真实验效果对比和分析
• 4.3.1 Mean shift人脸跟踪仿真实验
• 4.3.2 Camshift人脸跟踪的仿真实验
• 4.3.3 基于Camshift与Kalman预测相结合的人脸跟踪仿真实验
• 4.3.4 人脸跟踪实验结果的评价分析
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 本文工作总结
• 5.2 进一步工作展望
• 参考文献
• 致谢