一种人脸检测与跟踪算法的研究

论文摘要

人脸检测与跟踪是机器视觉和模式识别领域里备受关注的一个研究课题,随着相关研究人员多年的深入研究,人脸检测和跟踪的研究不断涌现出新的方法,特别是在精度和速度方面,近年来取得了长足的进步。本文在前人研究成果的基础上,在人脸检测和人脸跟踪两个方面均提出了新的改进的方法,成功的提高了人脸检测和跟踪的精度。本文在研究了人脸检测方面的相关研究成果之后,采用了Adaboost算法建立了人脸检测系统,并进一步提出了一种新的优化算法。该算法通过内部结构检测、内部结构交叠和嵌套的排除、人脸区域嵌套的排除等方法的融合,有效的降低了误检率。本文在Windows环境下,利用Visual C++进行算法的编程,建立了一个人脸检测系统,同时自建了人脸数据库。本文同时采用MIT人脸库和自建人脸库对Adaboost强分类器进行了有效的训练,并且通过多角度的计算机实验证明了此种融合算法对于公用分类器和自建分类器均具有明显降低误检率的效果,因此,该优化算法提高了人脸检测的精度。本文在研究了人脸跟踪方面的相关研究成果之后,采用了Camshift算法建立了人脸跟踪系统,并进一步提出了优化的初始化方法,该算法通过Adaboost人脸检测方法来自动初始化跟踪模板,取代了传统的手动初始化方法。本文在Windows环境下,通过Visual C++编程,实现了无人值守的人脸跟踪系统。本文还就自动初始化跟踪模板的方法的不稳定问题提出了优化的方法,该方法利用模板大小变化、位置变化及持续时间等要素来提高模板初始化的稳定性,本文通过计算机实验证明了该方法有效的降低了Camshift跟踪的不稳定性。因此,该优化算法提高了人脸跟踪的精度。本文在结合了Adaboost人脸检测与Camshift人脸跟踪的特点,以及本文的优化算法的基础上,在Windows环境下,利用Visual C++编程实现了一个快速的人脸检测与跟踪系统,并且通过计算机实验证明,该系统有效的提高了人脸检测与跟踪的精度。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 前言
• 1.2 人脸检测技术的相关研究
• 1.2.1 基于知识的方法
• 1.2.2 特征不变的方法
• 1.2.3 模板匹配的方法
• 1.2.4 基于外观的方法
• 1.3 人脸追踪技术的相关研究
• 1.3.1 运动目标检测的方法
• 1.3.2 人脸跟踪技术
• 1.4 本文研究的主要内容
• 2 ADABOOST 算法
• 2.1 ADABOOST 训练算法
• 2.1.1 训练样本的准备
• 2.1.2 harr 特征的选取
• 2.1.3 积分图像
• 2.1.4 弱分类器
• 2.1.5 强分类器
• 2.1.6 Adaboost 训练算法
• 2.2 ADABOOST人脸检测
• 2.2.1 图像金字塔
• 2.2.2 级联型的强分类器
• 3 ADABOOST 训练检测及改进的ADABOOST 人脸检测
• 3.1 试验系统介绍
• 3.2 传统的ADABOOST训练及检测
• 3.2.1 Adaboost 训练
• 3.2.2 Adaboost 人脸检测
• 3.3 改进的人脸检测
• 3.3.1 传统的Adaboost 检测方法的问题
• 3.3.2 优化的算法1------基于内部结构的人脸判别系统
• 3.3.3 优化的算法2------分区域结构检测的方法
• 3.3.4 优化的算法3------结构要素重叠和嵌套问题的排除
• 3.3.5 优化的算法4------人脸嵌套检测问题的解决
• 3.3.6 综合使用四种优化算法
• 3.4 改进的算法在不用分类器上的实验结果对比
• 3.4.1 Opencv 分类器加结构检测器前后的对比
• 3.4.2 自建分类器加结构检测器前后的对比
• 4 CAMSHIFT 算法
• 4.1 颜色概率分布
• 4.2 MEAN SHIFT算法
• 4.3 CAM SHIFT算法
• 5 传统的CAMSHIFT 算法和改进的CAMSHIFT 算法
• 5.1 传统的CAMSHIFT算法
• 5.2 传统CAMSHIFT 算法的问题
• 5.3 改进的CAMSHIFT算法
• 5.3.1 利用人脸检测初始化跟踪模板
• 5.3.2 自动初始化的问题
• 5.3.3 改进的算法---------初始化模板稳定性判决系统
• 6 总结与展望
• 6.1 本文的工作总结
• 6.2 本文的不足及展望
• 6.2.1 人脸检测方面
• 6.2.2 人脸跟踪方面
• 参考文献
• 致谢
• 个人简历
• 发表的论文