【摘要】：自然條件下的人臉檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域最基本與最核心的研究課題之一。該課題不僅具備重要的理論研究意義,并且在諸如輔助駕駛系統(tǒng)、系統(tǒng)監(jiān)控以及終端刷臉等方面具有工程應(yīng)用價(jià)值。經(jīng)過(guò)近些年的相關(guān)研究,雖然己經(jīng)有很多有效的人臉檢測(cè)算法被提出,但是設(shè)計(jì)一種高實(shí)時(shí)性和準(zhǔn)確性的人臉檢測(cè)算法仍然具有相當(dāng)大的挑戰(zhàn)性。在跟蹤過(guò)程中,人臉會(huì)受到光線,遮擋等外界環(huán)境的影響,以及平面外旋轉(zhuǎn),平面內(nèi)旋轉(zhuǎn),表情變化,快速運(yùn)動(dòng),尺度變化等自身外觀變化的影響,一旦人臉檢測(cè)跟蹤模型無(wú)法應(yīng)對(duì)以上的外觀變化,將導(dǎo)致任務(wù)失敗。因此如何設(shè)計(jì)一個(gè)實(shí)時(shí)和魯棒的人臉檢測(cè)跟蹤算法仍是人臉檢測(cè)跟蹤領(lǐng)域的核心熱點(diǎn)。本文從以下幾個(gè)方面來(lái)展開(kāi)工作:1)通過(guò)分析Dlib等人臉檢測(cè)算法以及核相關(guān)濾波跟蹤算法的優(yōu)缺點(diǎn),本文提出基于核相關(guān)濾波的人臉檢測(cè)跟蹤框架。具體來(lái)說(shuō),本方法將Dlib人臉檢測(cè)算法和核相關(guān)濾波跟蹤算法通過(guò)人臉驗(yàn)證方法進(jìn)行融合,來(lái)提高人臉檢測(cè)跟蹤算法的實(shí)時(shí)性。針對(duì)人臉的尺度自適應(yīng)和跟蹤模型魯棒更新問(wèn)題,提出了基于SDM的人臉檢測(cè)跟蹤算法將SDM人臉對(duì)齊算法融入到人臉檢測(cè)跟蹤算法框架中。一方面,SDM能夠利用對(duì)齊后的人臉特征點(diǎn)來(lái)實(shí)現(xiàn)人臉的尺度自適應(yīng);另一方面,對(duì)跟蹤的結(jié)果進(jìn)行SDM人臉對(duì)齊,利用得到的精準(zhǔn)人臉位置和尺度信息來(lái)更新跟蹤模型,保證跟蹤模型的魯棒性。最后,通過(guò)采集的人臉視頻數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,基于SDM的人臉檢測(cè)跟蹤算法在實(shí)時(shí)性和準(zhǔn)確率方面超越了主流人臉檢測(cè)跟蹤算法。2)基于視覺(jué)的人臉檢測(cè)跟蹤技術(shù)是一類(lèi)長(zhǎng)期跟蹤技術(shù),為了保證跟蹤出現(xiàn)失敗后能及時(shí)進(jìn)行人臉重檢測(cè),本文提出了一種基于Color-naming特征的人臉驗(yàn)證方法。在該方法中,設(shè)計(jì)了一種基于Color-naming的直方圖特征,并用該特征作為人臉驗(yàn)證模型。該人臉驗(yàn)證方法包含學(xué)習(xí)過(guò)程和驗(yàn)證過(guò)程,初始階段或當(dāng)目標(biāo)出現(xiàn)持續(xù)時(shí)間的外觀變化后,需要進(jìn)行驗(yàn)證模型的學(xué)習(xí),學(xué)習(xí)完成后,利用學(xué)習(xí)得到的人臉驗(yàn)證模型對(duì)跟蹤結(jié)果進(jìn)行分析驗(yàn)證。該方法能夠自動(dòng)調(diào)整人臉驗(yàn)證模型,來(lái)應(yīng)對(duì)人臉外觀的變化。進(jìn)一步,我們提出了基于自適應(yīng)驗(yàn)證的人臉檢測(cè)跟蹤算法,該算法加入了自適應(yīng)人臉驗(yàn)證功能,保證了算法的魯棒性。最后,通過(guò)采集的人臉視頻數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,基于自適應(yīng)驗(yàn)證的人臉檢測(cè)跟蹤算法在實(shí)時(shí)性和準(zhǔn)確率方面超越了主流人臉檢測(cè)跟蹤算法。
【圖文】：

逡逑（４）構(gòu)建基本分類(lèi)器的線性組合，逡逑／0）＝￥ｘｇ？邐（２ｉ＝ｍ逡逑（５）輸出：利用公式（２．１０）得到最終分類(lèi)器Ｇ？（ｘ）。逡逑Ｇｍ（ｘ）邋＝邋ｓｉｇｎ｛ｆ｛ｘ））邋＝邋ｓｉｇｎ邋＾ｏｃｍＧｍ（ｘ）邐（２．１＼Ｗ＝１邐Ｊ逡逑基于Ａｄａｂｏｏｓｔ人臉檢測(cè)算法是由多個(gè)弱分類(lèi)器組合而成。在訓(xùn)練過(guò)程的代中，根據(jù)當(dāng)前樣本的權(quán)值大小來(lái)選擇弱分類(lèi)器，并根據(jù)當(dāng)前的弱分類(lèi)結(jié)果對(duì)訓(xùn)練樣本權(quán)值進(jìn)行更新，減小分類(lèi)正確的樣本的權(quán)值，增大分類(lèi)樣本的權(quán)值，使得被錯(cuò)誤分類(lèi)的樣本在后續(xù)的訓(xùn)練過(guò)程中被重點(diǎn)考慮，迭代過(guò)程中分類(lèi)正確率較高的弱分類(lèi)器給予較高的話語(yǔ)值，分類(lèi)正確率予較低的話語(yǔ)值。通過(guò)不斷的訓(xùn)練更新，最終將話語(yǔ)值最高的前Ｍ個(gè)弱級(jí)聯(lián)成一個(gè)強(qiáng)分類(lèi)器，用于人臉檢測(cè)算法中。最后將多個(gè)強(qiáng)分類(lèi)器進(jìn)行如圖２．１所示，便得到了人臉檢測(cè)的級(jí)聯(lián)分類(lèi)器［３９］。逡逑？邋？？？？？？．逡逑＿

２．２．Ｌ２Ｈａａｒ特征的概述逡逑Ｈａａｉ？特征是一種表達(dá)圖像梯度的特征。主要?jiǎng)澐殖蛇吘墶⒕�性和中心環(huán)繞逡逑三類(lèi)Ｈａａｉ？特征，具體形式如圖２．２和圖２．３所示，將特征模板中的黑框像素和減逡逑去白框像素和得到Ｈａａｒ特征值，如圖２．４所示。例如，，人臉的一些特征能由矩逡逑形像素和的差值來(lái)進(jìn)行表達(dá)，如：瞳孔和眼球的顏色對(duì)比度較大，嘴唇比周?chē)义夏w色的顏色對(duì)比度較大等。逡逑Ｈａａｒ特征是２０世紀(jì)末由Ｐａｐａｇｅｏｒｇｉｏｕ［４Ｑ］提出的，Ｖｉｏｌａ是將Ｈａａｒ特征逡逑首次應(yīng)用到人臉檢測(cè)并取得一定效果的人，他提出用如圖２．２所示的４種基本逡逑Ｈａａｒ特征，而這些基本的Ｈａａｒ特征存在不足，對(duì)于傾斜的人臉檢測(cè)效果較差．逡逑—W邋＿邋—邋—邋■—一邋■

本文編號(hào)：2606058