基于boosting實時人臉檢測跟蹤技術研究.pdf

1、隨著人工智能和計算機技術的發(fā)展，機器視覺技術研究取得了長足的進步，并引起了越來越多的關注。目前，根據(jù)機器視覺完成的檢測、識別、跟蹤廣泛應用于國防建設、航空航海、醫(yī)藥衛(wèi)生、安全監(jiān)控等國民經(jīng)濟的各個領域。人臉檢測與跟蹤則是其中一個重要的應用方向。人臉檢測的目的是檢測某監(jiān)控區(qū)域內(nèi)是否出現(xiàn)人臉并確定人臉出現(xiàn)的位置、大小等信息；目標跟蹤的目的是對選中的目標進行軌跡的描述，涉及到目標特征的提取、目標的匹配等多個方面。本研究對視頻序列中人臉的實時監(jiān)控

2、進行了研究，分別對檢測和跟蹤的算法進行了分析，并提出相應的改進依據(jù)和改進方法。主要內(nèi)容如下： ⑴通過分析AdaBoost訓練和檢測的過程，指出影響AdaBoost檢測速度的要素，并提出了通過區(qū)域生長、腐蝕等預處理方式進行區(qū)域的合并，降低背景的復雜度，從而提高檢測的速度。此外，本文通過訓練得到了側面人臉級聯(lián)分類器，增加了對側面人臉的檢測模塊，采用串并聯(lián)結構將正面人臉和側面人臉的檢測綜合起來，擴大了系統(tǒng)對人臉的檢測范圍。 ⑵

3、通過分析影響粒子濾波跟蹤速度和跟蹤效果不穩(wěn)定的原因，提出了自適應粒子離散度控制機制和類菱形的搜索模型，重新定義了特征提取的規(guī)則，提高了系統(tǒng)的速度和跟蹤效果的準確性。 ⑶將檢測和跟蹤結合起來，把跟蹤的結果作為反饋，重新設定感興趣區(qū)域并送回檢測系統(tǒng)，進而校驗并標定人臉的準確位置，降低了系統(tǒng)的虛警率。同時，本文分析了后處理過程中加入人眼模型作為檢驗的優(yōu)點和局限性，并指出其適用情況。 ⑷在PC平臺下實現(xiàn)了一個基于Intel Op