人臉識別在智能監(jiān)控、門禁系統(tǒng)的廣泛應(yīng)用,推動著計算機視覺、智能信息處理的飛速發(fā)展,人臉檢測及跟蹤技術(shù)在其中扮演著不可或缺的角色。然而,現(xiàn)實環(huán)境的復(fù)雜性使得對人臉的定位容易受到光照變化和噪聲的干擾,同時人臉姿態(tài)的不確定性也增加了人臉檢測的難度。對此,本文將分別對人臉檢測方法和基于檢測的人臉跟蹤方法展開研究,然后應(yīng)用二者實現(xiàn)人臉的準(zhǔn)確定位。主要研究內(nèi)容如下:(1)人臉檢測方法。首先,為減少光照變化、噪聲等對特征提取的干擾,提高人臉檢測效果,對待檢測圖像進行圖像預(yù)處理。其次,選用提取Haar-like特征、級聯(lián)AdaBoost分類器的人臉檢測算法檢測人臉。針對傳統(tǒng)AdaBoost算法只能檢測正面人臉,對側(cè)面人臉檢測失敗的問題,先采用正面人臉檢測器檢測,再由側(cè)面人臉檢測器檢測待檢測圖像,最終構(gòu)成基于AdaBoost的多角度人臉檢測算法。實驗表明,該人臉檢測算法相較傳統(tǒng)AdaBoost算法具有更高的檢測正確率。(2)人臉跟蹤方法。KCF(核相關(guān)濾波)算法以循環(huán)矩陣和內(nèi)核相關(guān)濾波思想將跟蹤速度提升到了每秒數(shù)百幀,取得了較好的跟蹤效果。但是,當(dāng)人臉發(fā)生快速運動和運動模糊、受到遮擋及相似物干擾時,KC...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人臉檢測算法
        1.2.2 人臉跟蹤算法
    1.3 論文的主要內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 人臉圖像預(yù)處理
    2.1 引言
    2.2 雙線性插值
    2.3 直方圖均衡化
    2.4 圖像濾波
        2.4.1 均值濾波
        2.4.2 中值濾波
        2.4.3 對比實驗分析
    2.5 本章小結(jié)
第三章 基于AdaBoost的人臉檢測算法
    3.1 Haar-like特征和積分圖
        3.1.1 Haar-like特征
        3.1.2 積分圖快速計算特征值
    3.2 AdaBoost算法
        3.2.1 弱分類器
        3.2.2 強分類器
    3.3 Adaboost級聯(lián)分類器
    3.4 基于Adaboost算法的多角度人臉檢測
        3.4.1 多角度人臉檢測
        3.4.2 實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于核相關(guān)濾波的人臉跟蹤算法
    4.1 基于檢測的跟蹤算法
        4.1.1 Struck跟蹤算法
        4.1.2 TLD跟蹤算法
        4.1.3 CSK跟蹤算法
        4.1.4 CN跟蹤算法
        4.1.5 KCF跟蹤算法
    4.2 KCF跟蹤算法原理
        4.2.1 HOG特征
        4.2.2 核相關(guān)濾波器
        4.2.3 循環(huán)矩陣
        4.2.4 分類器訓(xùn)練與快速檢測
    4.3 Kalman濾波算法原理
    4.4 改進的CNK-KCF人臉跟蹤算法
        4.4.1 采用CN特征的KCF跟蹤算法
        4.4.2 結(jié)合Kalman預(yù)測器的跟蹤機制
        4.4.3 CNK-KCF跟蹤算法流程
        4.4.4 CNK-KCF算法實驗分析
    4.5 多種算法實驗分析對比
        4.5.1 性能評價標(biāo)準(zhǔn)
        4.5.2 對比實驗性能比較
    4.6 本章小結(jié)
第五章 基于OpenCV的實驗開發(fā)平臺
    5.1 開源計算機視覺庫OpenCV
    5.2 人臉檢測及跟蹤的整體系統(tǒng)框架
    5.3 實驗結(jié)果與分析
    5.4 本章小結(jié)
第六章 結(jié)論
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀學(xué)位期間所取得的相關(guān)科研成果
致謝



本文編號：3770416