基于视频的运动人脸检测与跟踪算法研究

提出了一种自适应调整帧间时间差的方法来检测运动目标,并结合采用YCbCr空间及非线性分段色彩变换的肤色检测模型,对视频图像中的运动目标检测候选肤色区域,采用人脸的特征检测方法检测候选人脸区域.最后,根据在前后几帧中采用融合运动目标与肤色模型的人脸检测算法启动跟踪,获得初始运动信息,后继帧中提出一种新的运动区域预测与肤色边缘拟合椭圆匹配的算法,试验表明该算法实时、有效.     

基于DSP的智能视觉监控系统

本文提出一种基于人脸检测与跟踪的智能视觉监控系统。本系统首先采用运动和肤色特征提取包含人脸区域的检测算法,然后使用多层分类器定位人脸,利用CAMShift算法实现人脸的及时跟踪,最后在DM642 DSP上实现了算法。系统达到了8帧/s的处理速度,基本满足视频监控的要求。     

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。     

基于DSP的智能视觉监控系统

提出基于人脸检测与跟踪的智能视觉监控系统。采用运动和肤色特征提取包含人脸区域的检测算法,并使用多层分类器定位人脸、CAMShift算法实现人脸的及时跟踪。在DM642DSP上实现算法。系统达到了8帧／s处理速度,基本满足视频监控的要求。     

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。     

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean Shift)和贪婪算法的多人脸跟踪器.首先建立多个均值移动目标跟踪器以进行多人脸跟踪.结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题.引入辅助窗口并根据其纹理信息确定粘连目标的对应.实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪.     

基于法向保持的三维人脸表情跟踪

为减少人脸表情跟踪过程中的人工干预,提高跟踪的效率和自动化程度,提出一种基于法向保持的三维人脸表情跟踪算法.采用以视频频率获取的帧人脸点云作为输入.通过将可变形的参数化网格模型依次对准每一帧点云来跟踪表情的变化;用法向保持条件自动约束跟踪过程中网格顶点在相邻帧间的运动.与已有算法相比,该算法无需在每一帧对准中人工指定特征对应点,也无需进行复杂的光流运算,可实现高效的自动化表情跟踪.另外,当参数化网格与点云所表示的人脸形状相差较大时,采用文中算法也可以得到理想的对准效果.     

基于关键帧标识的视频人脸识别技术研究

针对人脸检测与跟踪问题提出在监控视频中面向复杂背景、多姿态的快速人脸检测。使用了基于Haar特征,并结合有效的预处理手段跟搜索策略,另外在检测算法的基础上,考虑到监控视频的序列的特点,结合背景差、肤色、前帧参考等因素,提出一套基于帧间差分法来识别视频中人脸内容变动并标识此关键帧的方法,并以视频日志的形式记录下来。实验证明,此方法可以在针对检测特定目标提高监控视频人脸识别的正确率和检测速度。     

视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

基于DSP的实时人脸检测系统

阐述了硬件设计思想、软件开发流程及人脸检测算法的实现.首先以TMS320DM642建立实时图像处理的硬件系统,通过CCD获取视频序列,对当前图像进行降噪、图像增强以及边缘检测的预处理,再利用基于肤色和差分帧相结合的算法对视频序列进行检测、跟踪人脸.本系统所有算法均使用C和汇编语言混合编程并在TI DM642EVM上开发实现.实验结果表明,本系统的算法简单、快速、鲁棒性强.     

从视频中检测人脸

视频中人脸检测的应用领域广泛，近来受到了极大关注。文中提出一种在MPEG流中检测人脸的新方法，它可以从复杂背景中有效地检测方向、大小不同的人脸，还可以处理多个人脸交叠的情况，为适应视频检索的需要，该算法依据帧间冗余性，自适应地调整肤色检测器，利用MPEG流中的运动矢量在一个GOP内跟踪人脸，依据场景的变化更新分割码本等措施，有效地提高了计算速度。用算法测试多个视频序列，实验结果令人满意。     

纹理约束下的人脸特征点跟踪

将Lucas-Kanade光流跟踪算法与人脸特征点定位的统计模型DAM(direct appearance model)在Bayesian框架下结合起来,提出了视频中人脸特征点定位与跟踪的一种混合模型方法.利用Lucas-Kanade算法预测人脸特征点的位置,充分利用了帧间的相关信息,提高了跟踪的速度.通过DAM中纹理对形状的约束,在提高跟踪精度的同时增强了整个算法的鲁棒性.实验表明,这种方法可以很好地适应人脸的多种运动,可用于人脸识别或3D人脸建模.     

空时互反馈人脸检测与跟踪系统的算法与实现

针对视频序列人脸检测与跟踪算法复杂、实时性要求较强这一相互矛盾的特点,设计了基于数字媒体处理器DM642的空时互反馈人脸检测与跟踪系统;在空域,利用主成分分析和最优阈值检测人脸;在时域,根据前后帧概率密度函数的相对距离确定跟踪目标,利用卡尔曼滤波器对检测出人脸的位置进行预测,形成了空时互反馈闭环算法;实践表明,该系统运行稳定可靠,能满足实时视频监控系统的要求。     

一种改进的CAMShift跟踪算法及人脸检测框架

为充分利用人脸视频图像序列中的时空信息,获得更加准确的人脸比对图像序列,提出一种结合人脸跟踪的人脸检测框架。使用简单快速的正面人脸检测算法对人脸视频图像序列进行检测,用检测的结果对人脸跟踪算法进行初始化及校验和调整。为解决CAMShift跟踪算法容易受类肤色区域影响而导致提取到的人脸区域存在冗余信息的问题,提出一种改进的CAMShift-KLT算法。该算法利用兴趣点跟踪人脸图像的边缘,达到准确获取人脸比对图像的目的。实验结果表明,与CAMShift算法相比,CAMShift-KLT算法获取的人脸区域更精准,同时具有较小的跟踪偏移距离、较大的跟踪命中率和更高的跟踪有效性。与对比算法相比,CAMShift-KLT算法能够获得与理想的人脸区域更加一致的跟踪区域。     

彩色序列图像中的人脸检测与跟踪

提出了一种彩色视频序列图像中的人脸检测与跟踪方法.该方法将人脸检测与人脸跟踪有效地结合在一起,采用Condensation滤波跟踪算法对区域进行跟踪,在跟踪过程中提出引入基于支持向量机的人脸置信度,样本的置信度随时间进行更新,人脸检测的结果基于置信度的后验概率.同时,该方法对Condensation滤波跟踪算法作了改进,在跟踪过程中采用了基于Metropolis算法的重采样方法以及自适应的动态模型,实现了复杂背景下的对人脸自由运动的跟踪,且精度较高.实验结果表明,该方法有效地解决了复杂背景中人脸姿态变化情况下的人脸检测与跟踪问题,与静态人脸检测相比有更好的检测效果.     

基于深度信息的压缩感知人脸检测跟踪

传统的压缩感知跟踪是基于彩色视频图像序列中的目标跟踪, 但在跟踪过程中可能会受到光照变化和旋转遮挡因素的影响, 从而导致复杂环境下跟踪结果的鲁棒性不足. 为了获得稳定的跟踪结果, 提出了一种基于深度信息的压缩感知人脸检测跟踪算法. 首先, 根据改进的质心分割算法确定首帧深度图中人脸的跟踪位置. 其次, 根据深度信息计算出深度图中每一点对应的平均曲率并形成平均曲率图. 然后, 基于平均曲率图随机提取压缩特征; 最后, 通过压缩降维, 目标邻域搜索, 迭代更新特征模板, 计算出平均曲率图中下一帧人脸的最优跟踪位置, 实现人脸跟踪. 实验结果表明, 将人脸的深度信息和压缩感知特征相结合在光照变化和旋转遮挡情况下具有很好的鲁棒性, 能更好的实现复杂背景下对多姿态人脸的跟踪.     

基于视频监控的人脸检测跟踪识别系统研究

设计了一种基于视频监控的人脸检测跟踪识别系统,该系统的功能是检测并实时跟踪视频中的人脸图像,同时进行身份识别。针对Gentle AdaBoost算法构造的级联分类器检测效率偏低的问题,提出了一种递进复杂度的级联分类器。针对传统粒子滤波器最高权重粒子不准确的问题,提出了均值权重粒子滤波器。针对传统粒子滤波器样本衰退的问题,提出了一种同时结合人脸检测和人脸跟踪算法的跟踪校正策略。对于检测和跟踪到的人脸,利用基于Gabor变换和HMM的方法进行身份识别。实验结果表明,系统能够准确地检测并实时跟踪视频中的人脸,可以实现人脸的快速识别,是一种能够应用到视频监控系统中的有效方法。     

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。     

基于在线特征选择的实时多姿态人脸跟踪

针对复杂条件下的人脸跟踪问题, 将显著区域跟踪算法和基于 Adaboost 的人脸检测算法相结合, 研发了一个实时多姿态人脸跟踪系统. 系统采用数据关联结果, 自动选择和切换检测器与跟踪器, 并通过引入环境信息增强跟踪算法的稳定性. 实验表明, 系统可在目标姿态变化、摄像机运动等复杂条件下进行自动人脸检测与跟踪, 对 320x240 的图像序列处理速度达到 10-12帧/秒.     

一种基于AdaBoost的快速动态人脸检测算法

提出了一种结合人脸检测和跟踪的快速动态人脸检测算法。在层次型AdaBoost检测算法的基础上，结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间，使得检测速度提高到24ms／帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法，可以方便地应用于物体检测技术上。