基于復(fù)雜場景的人臉檢測與人臉跟蹤的研究與實現(xiàn).pdf

1、由于人臉提供了大量有價值的信息，因此在智能化人機交互、計算機視覺研究和智能監(jiān)控等領(lǐng)域中，人臉檢測與跟蹤受到國內(nèi)外的廣泛關(guān)注。人臉檢測是指從圖像中確定人臉的位置及大小的過程。人臉跟蹤是指從圖像序列中確定人臉的運動軌跡及位置變化的過程。目前，人臉檢測與跟蹤的研究取得了一定的進(jìn)展，但仍然有很多需要解決的技術(shù)問題。本文主要研究了在復(fù)雜場景下的人臉檢測與跟蹤的常用算法，并對算法進(jìn)行了改進(jìn)。
　　本文所指的復(fù)雜場景是相對于早期的人臉檢測技術(shù)而

2、言的，早期人臉檢測中研究背景一般約束為簡單背景。對于復(fù)雜場景下的人臉檢測問題，論文以Viola等人使用的Adaboost算法的人臉檢測為基礎(chǔ)，闡述了該算法進(jìn)行人臉檢測的過程，指出該算法的不足之處，并針對這些不足提出了改進(jìn)策略。
　　1)傳統(tǒng)Adaboost人臉檢測算法中，Adaboost分類器不能構(gòu)造出錯誤率最小的分類器。并且傳統(tǒng)Adaboost算法將樣本分類看作對稱的兩類分類問題。即正樣本的誤檢率FRR和負(fù)樣本的誤檢率FAR擁有

3、相同的地位。但在級聯(lián)檢測器中，需要保證每一層的分類器對正樣本有較低的誤檢率，才能達(dá)到最終檢測器對正樣本的低誤檢率要求。因此，本文將AD Adaboost算法運用于人臉檢測過程中的分類器訓(xùn)練。該算法在保證分類器有較高的檢出率的情況下，誤檢率明顯降低，從而提高人臉檢測算法的檢測性能。
　　2)傳統(tǒng)Adaboost算法的人臉檢測過程中級聯(lián)檢測器為一維級聯(lián)檢測器，這種級聯(lián)結(jié)構(gòu)無法有效解決人臉樣本集內(nèi)部差異較大的情況，本文提出使用K-mea

4、ns算法，將人臉樣本集聚類劃分為K個子集，并對子集分別訓(xùn)練強分類器，構(gòu)造二維級聯(lián)檢測器，從而提高級聯(lián)檢測器性能。實驗結(jié)果表明，在同等條件下，改進(jìn)算法提高了檢測精度及檢測速度。
　　對于復(fù)雜場景的人臉跟蹤問題，論文闡述了自適應(yīng)均值漂移算法和卡爾曼濾波的基本原理及其在人臉跟蹤領(lǐng)域的應(yīng)用。論文通過自適應(yīng)均值漂移算法對人臉進(jìn)行跟蹤實驗，發(fā)現(xiàn)該算法在人臉被遮擋或運動較快的情況下易出現(xiàn)跟蹤丟失的情況。論文使用自適應(yīng)均值漂移與卡爾曼濾波相結(jié)合的