基于SURF算法的人脸跟踪技术研究

人脸检测与跟踪技术是计算机视觉领域研究课题之一,在军事及民用领域应用广泛.在目标检测算法中,基于特征的方法具有压缩信息量、执行速度快、精度高等优点,成为近年来目标检测领域的研究热点.SIFT算法便是其中之一,但传统的SIFT算法应用于人脸检测过程中有数据量大、计算耗时长,提出了一种基于SURF算法的人脸检测方法,阐述了SURF算法的基本原理,并首先将SURF算法应用于人脸特征检测与跟踪,阐述了人脸跟踪系统设计方法,使用OpenCV技术实现了基于SURF算法的人脸跟踪验证系统.试验结果表明,基于SURF算法的人脸跟踪系统匹配识别效果较好,实时性较好、具有较好鲁棒性.     

基于Mega2560的人脸检测与定位跟踪

为了解决存在外界干扰的人脸的检测和准确定位与跟踪问题,避免过于依赖软技术造成的算法复杂性,采用软硬件结合的方式,基于Mega2560单片机、VS2008开发环境与OpenCV函数库,实现了人脸检测与准确定位与跟踪。首先,利用Haar-like特征法寻找出图像中的人脸特征矩形,通过AdaBoost算法生成级联分类器,实现人脸检测;然后,将图像显示窗口中心选为坐标原点,计算人脸位置,用线性变换的方法获取人脸位置偏差,进而转换成角度偏差发送给下位机Mega2560;最后,单片机根据接收到的角度偏差信息,控制摄像头使人脸始终在坐标原点位置,实现人脸的准确定位与跟踪。通过实验表明系统具有较好的稳定性和准确性。     

一种快速人脸跟踪系统

本文介绍一种快速人脸跟踪的系统:首先利用Adaboost快速人脸检测技术检测到人脸的位置,然后用检测到的人脸位置初始化人脸跟踪算法的跟踪窗口,人脸跟踪的算法是采用Camshift算法,该算法能够实现物体的实时跟踪,具有较好的鲁棒性和实时性,同时该算法抗噪声干扰能力非常强。     

一种快速人眼定位与跟踪算法的实现

提出了一种在复杂背景、光照、姿势变化条件下的人脸眼睛定位与跟踪算法。首先采用基于OpenCV的级联式AdaBoost对象检测算法进行人脸检测,并提出了解决平面和深度旋转的方法;然后采用基于瞳孔定位后的分类器法精确定位眼睛;最后采用卡尔曼粒子滤波算法进行人眼跟踪。实验结果表明,该算法在复杂背景下极大地提高了眼睛定位与跟踪的速度和精确度,并对光照、姿势不敏感。     

综合利用人脸特征和活动轮廓技术的人脸检测及跟踪算法

把基于静态图像分割的人脸检测技术同活动轮廓技术相结合，提出了一种在视频序列中检测和跟踪人脸的算法．它在Y、U、V联合梯度的基础土实施分水岭运算，并利用人脸的宽高比、颜色、结构等特征进行人脸逐级判别，从而确定人脸住置，然后用基于骨架的活动轮廓进行精确定位和帧间跟踪，从而较好地实现了视频序列中的人脸检测与跟踪问题。算法具有较强的鲁棒性，对于运动比较平缓、脸部轮廓比较清晰的情况，可以进行长时间跟踪。本算法在面向内容的可伸缩视频压缩编码系统中得到应用。     

应用Camshift跟踪算法提高视频中人脸检测速度

在OpenCV中提供的CascadeClassifier级联分类器利用Haar特征进行人脸检测时,检测速度很慢无法满足视频对实时性的要求,而且光照的影响也很大.基于这两点提出一种新的人脸检测算法,采用Camshift目标跟踪与人脸检测相结合提高检测速度并利用直方图均衡化减弱光照的影响.该算法首先把CascadeClassifier级联分类器方法检测到的人脸区域设为ROI区域,对ROI区域操作并用Camshift算法进行目标跟踪,其次要定时进行一次人脸检测用来更新ROI区域保证跟踪的准确性.经过实验结果分析表明：利用改进后的算法,人脸检测的速度有明显提高（约为40%）,并且减小了光照的影响.     

基于OpenCV的形态处理人脸检测

在表情识别、目标跟踪等领域都有应用,人脸检测是人脸表情识别系统工作的前提和基础。通过比较分析两类人脸检测算法,提出了一种基于OpenCV形态处理检测人脸的方法,所介绍的形态处理既包括前期形态学变换,也包含后续几何约束、椭圆拟合等,并且利用OpenCV提供的函数库,结合VC++进行了测试,测试结果表明该方法可以实现图像中的人脸检测,并能得到较好的识别结果。     

基于SURF特征点的多人脸跟踪方法研究

针对视频序列中多目标人脸跟踪问题,提出一种基于SURF(Speed-Up Robust Features)特征和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪方法。通过融合该方法,创新性地设计了一种多人脸跟踪系统框架,在目标出现明显的姿态、尺寸变化,或者遭遇局部遮挡、光照不充分等复杂环境干扰下,能够实现对目标人脸稳定跟踪。通过多组实验数据的对比,证明了该跟踪方法比Mean shift算法、传统KLT算法具有更好的鲁棒性,能获得更精确的运动信息;验证了多人脸跟踪系统能够在复杂环境下实现对多人脸的有效跟踪。     

基于OpenCV和USB的实时人脸跟踪系统

人脸跟踪系统的构建已成为现代计算机视觉研究的热点。提出一种基于OpenCV和USB的实时人脸跟踪系统。利用基于HAAR特征人脸检测算法,并能够判断距离,编写Windows Win32程序调用串口API和下位单片机STC12C5410通信,采用CH341A芯片将RS232串口数据加载到USB协议数据栈中实现USB传输,单片机控制FUTABA舵机,获取上位机人脸检测坐标信息,实时调整舵机转动角度,使人脸始终处于图像中间一定阈值范围内,达到人脸跟踪。该系统结构精简,可作为模块用于门禁安保系统及构建其他机器人研究平台。     

基于肤色模型和CAMShift算法的人脸检测与跟踪研究

讨论并实现一个基于肤色模型和CAMShift方法的人脸检测与跟踪原型系统。该系统采用肤色模型分割出视频帧中的肤色区域与非肤色区域以检测出人脸．利用CAMShift算法跟踪运动的人脸,完成对人脸各种姿态的跟踪,具有较好的实时性和鲁棒性。     

基于OpenCV的人脸检测与跟踪

随着社会公共安全体系的逐步完善,基于人脸的智能视频监控技术在安全监控、视频分析以及人机交互等场合发挥出越来越重要的作用。传统的Camshift算法虽然能快速地跟踪运动目标,但它不仅需要手动设定跟踪的对象,而且当跟踪对象遇到遮挡和相同颜色障碍物干扰时很容易丢失目标。针对上述问题,在OpenCV的基础上,采用Adaboost,Camshift和Kalman滤波相融合的方法,实现了快速、自动和准确的人脸检测与跟踪。     

基于深度学习的ARM平台实时人脸识别

针对ARM平台上人脸识别实时性不强和识别率低的问题，提出一种基于深度学习的实时人脸识别方法。首先基于MTCNN人脸检测算法设计了一种实时检测并追踪人脸的算法；然后在ARM平台上基于深度残差网络（ResNet）设计人脸特征提取网络；最后针对ARM平台的特点，使用Mali-GPU加速人脸特征提取网络的运算，分担CPU负荷，提高系统整体运行效率。算法部署在基于ARM的瑞芯微RK3399开发板上，运行速度达到22 帧/s。实验结果表明，与MobileFaceNet相比，该方法在MegaFace上的识别率提升了11个百分点。     

基于人脸检测的人脸跟踪算法

文章提出了一种基于人脸检测技术的人脸跟踪算法。该算法利用前一帧的人脸检测结果预测当前帧中人脸可能的尺度与位置范围,在限定的范围内采用模板匹配与人工神经网分类的方法定位人脸,从而实现快速而可靠的人脸跟踪。由于使用了人脸检测技术,该方法可以自动定位初始人脸。实验表明该方法在具有复杂、动态变化背景的图象序列中是很有效的,速度为5－11Hz,可用于实时性系统。     

一类视频序列中的人脸检测与实时跟踪算法

提出一种新的人脸快速检测与实时跟踪算法,能够对视频序列中的人脸进行快速、准确地检测和跟踪。算法分为开始状态、目标丢失状态的人脸检测和连续状态的目标跟踪。首先预测人脸两眼之间的中心位置,得到人脸的预测位置并对预测位置处的图像进行模板匹配,快速检测出人脸准确位置。然后利用检测出的人脸修正人脸模板,并在检测出的位置、旋转度、缩放比例等条件下,对后面序列图像进行小位置、小角度的快速跟踪。实验采用了多种环境下的大量视频,结果显示该算法能够快速跟踪视频序列中的人脸并具有很高的准确性、鲁棒性。     

基于Adaboost算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置.目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法.Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个...     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

iOS平台下人脸识别系统设计与实现

在iOS平台上开发了一款人脸识别系统,借助OpenCV函数库实现了基于Haar-like特征和AdaBoost算法的人脸检测。提出了主成分分析和线性判别分析相结合的人脸识别算法,既避免了主成分分析方法对图像信息不分主次、忽视类别信息的缺陷,又降低了线性判别分析算法高运算量导致的大误差、小样本的局限性。实验结果表明该系统的识别效果良好。