【正文】 板，由包含局部人臉特征的子模板構(gòu)成，然后對輸入圖像進行全局搜索，通過預(yù)先設(shè)置的閾值來判斷該圖像窗口中是否包含人臉 ]11[ 。此類方法將人臉區(qū)域看作一 類模型，即模板特征，使用大量的人臉與非人臉樣本訓(xùn)練并構(gòu)造分類器，通過判別圖像中所有可能區(qū)域?qū)儆谀念惸０宓姆椒▽崿F(xiàn)人臉檢測。 (2)基于人工神經(jīng)網(wǎng)絡(luò)的方法 ]15,14,13[ ：這是一種重要的機器學(xué)習(xí)方法，將人臉這類復(fù)雜的、難以描述的模式的統(tǒng)計特性隱含在人工神經(jīng)網(wǎng)絡(luò) (ANN)的結(jié)構(gòu)和參數(shù)之中。 人臉跟蹤的方法 人臉跟蹤進行動態(tài)人臉信息處理的第一個環(huán)節(jié)，在視頻會議、可視電話、人工智能交互等方面有著重要的應(yīng)用價值。人臉跟蹤處理的較多的是視頻序列，這就要求人臉跟蹤算法需要具有較高的運算效率 ]17[ 。 基于特征檢測方法的人臉跟蹤 基于人臉局部特征的跟蹤方法主要思想是根據(jù)不同的人臉器官特征信息進行器官跟蹤，這類方法經(jīng)常利用眼睛、嘴和鼻子等器官特征信息進行跟蹤定位。 Jebara 和 Pentlan 使用自動定位來跟蹤人臉，用運動技術(shù)對特征點的三維位置進行估計，并用本征臉的約束方法匹配人臉的幾何特征，來對于面部特征點位置估計。參考文獻 ]19[ 給出了一種在首幀中確定搜索特征點，采用改進的 KLT算法對未加標(biāo)識點的人臉正面視頻圖像進行特征點的跟蹤，進而求得人臉特征點運動參數(shù)的方法。 基于模型的人臉跟蹤 基于模型的人臉跟蹤方法就是獲取目標(biāo)的先驗知識，建立低價參數(shù)模型，對輸入的每一幀圖像通過滑動窗口進行模板匹配，實現(xiàn)人臉的識別與跟蹤。由于膚色信息對放大、縮小以及微小變形不敏感，這種方法比較容易在前一幀圖像分析結(jié)果的基礎(chǔ)上跟蹤到下一幀圖像的人臉區(qū)域，具有速度快，姿勢不變性等特點。該算法能夠在自然光照條件下去的較為滿意的結(jié)果，同時對人臉在旋轉(zhuǎn)、縮放、遮擋等條件下，多人臉背景下的跟蹤有較強的魯棒性。 4) 基于可變形模型的人臉跟蹤 Goldenstein 和 Vogler 等人利用可變形模型和預(yù)測濾波器實現(xiàn)在劣質(zhì)圖像序列中跟蹤三維人臉。這個后驗概率密度函數(shù)包含了所有當(dāng)前的統(tǒng)計信息。通常在貝葉斯濾波理論框架下采用狀態(tài)空間法 (State Space Approach)實現(xiàn)視覺跟蹤。卡爾曼濾波方法采用線性遞歸濾波的方法，可以用任意一點作為初始化開始遞歸，實時計算，預(yù)測具無偏、穩(wěn)定和最優(yōu) ]20[ 。其代表算法有： STING算法、 CLIQUE算法、 WAVECLUSTER算法。有人提出可以采用選取最優(yōu)重要性密度函數(shù)或通過重采樣的方法來解決此問題。人臉檢測問題的內(nèi)涵十分廣泛，由于人臉檢測與跟蹤問題的復(fù)雜特點，實現(xiàn)通用的人臉檢測與跟蹤方法還不現(xiàn)實。與此同時，如何平衡系統(tǒng)的性能提升與算法復(fù)雜度，仍是研究者需要解決的一個重要課題。其中，亮度是光作用于人眼時所引起的明亮程度的感覺，它與觀察事物的光強度有關(guān)；色度反映顏色的種類，是當(dāng)人眼看到一種或多種波長的光時所產(chǎn)生的色彩感覺，它與光 的波長有關(guān)，是決定顏色的基本特征；飽和度是指顏色的深淺程度，即各種顏色混入白光的程度。一次，我們選擇更能突出顏色特征的色彩空間的 YCrCb彩色空間來分析人臉膚色和背景色，并為人臉建模。而對于彩色圖像， CrCb 決定了圖像的色調(diào)， 22 )()( CrCb ?代表圖像的飽和度。 人臉膚色模型和二值化 將單幀圖像轉(zhuǎn)換到 YCrCb空間后，要檢測該單幀圖像中某一像素是否屬于人臉像素，可以通過“閾值處理”的方法對該像素的灰度值進行判斷，然后把符合“閾值處理”公式的像素標(biāo)識出來，從而實現(xiàn)圖像的二值化。因此，在確定人臉膚色模型時，我們可以把這種由膚色亮度值造成的差異忽略掉，即只采用膚色的色度值來確定人臉的膚色模型。為了確定在 UV（ CrCb）圖中的臉部膚色精確度，使用重復(fù)實驗法來找出壓縮方法，用于在不同的膚色變換情況下，確定所有實驗人臉都共有的色度性質(zhì)。 圖 該圖中所描繪的區(qū)域可以用下列不等式組表達(dá) ： 不等式組一： ?? tan1 ???????? )( )(VCrUCb? ? 且 43? 22 )()( CrCb ? ? 78 （ ） 不等式組二： ? ? tan1 ???????? )( )(VCrUCb? ? 且 0? 22 )()( CrCb ? ? 70 （ ） 但是在程序中我們并沒有這么來進行閾值化，而是通過 Cr和 Cb兩個分量來實現(xiàn)閾值化分割人臉區(qū)域的，經(jīng)過多次試驗，我們發(fā)現(xiàn) Cr和 Cb滿足下面的式子就可以很好的分割出人來區(qū)域了，式子 如下： Cr≤ 173且 Cb≤ 144 () 即： Cr 在 150附近取值， Cb 在 120 附近取值，在實現(xiàn)中，我們可以嘗試最佳分割閾值，為式子 (6)。 人臉定位 當(dāng)二值化的單幀圖像完成后處理操作后，如果該單幀圖像中確有人臉的存在，則按照如下算法定位人臉區(qū)域。同理，再依次從左往右進行掃描，記下人臉的左右邊界為 x1， x2。 本章小結(jié) 這一章主要完成是從視頻中截取一幅圖片，然后對這張圖片進行彩色空間轉(zhuǎn)換，二值化操作分割出人臉區(qū)域，最后利用掃描的方法定位人臉區(qū)域，在 RGB圖像中進行標(biāo)定人臉。 cvRectangle(pFrame,cvPoint(,),cvPoint(+,+),color,12)。這就使得在多人臉，或者人臉有重疊的情況不能夠很好的檢測?，F(xiàn)在我們來實現(xiàn)膚色模型視頻中 的人臉檢測定位，其算法流程圖如下： 采 集 視 頻圖 像 差 分 及 二 值 化運 動 區(qū) 域 進 行 膚 色 檢 測是 否 有 運 動 區(qū) 域眼 特 征 檢 測是 否 包 含 眼 特 征在 圖 中 標(biāo) 示 不 標(biāo) 示是否是否 圖 視頻中人臉檢測算法流程 ]23[ 圖像差分 —— 運動目標(biāo)提取 背景差分法是利用當(dāng)前圖像與背景圖像的差分來識別出運動目標(biāo)的方法。在此，則使用一種背景差分法和瞬時差分法相結(jié)合的方法，首先根據(jù)一定數(shù)量的視頻序列，采用基于高斯統(tǒng)計模型的方法會的背景圖像，后續(xù)中然后對每一幀視頻圖像，采用瞬時差分識別出運動目標(biāo)的輪廓，然后用這幀圖像運動目標(biāo)輪廓以外的區(qū)域?qū)Ρ尘澳Ｐ瓦M行基于統(tǒng)計濾波的更新。顏色空間指某個三維顏色空間中的一個可見光的子集，它包含某個色彩域的所有色彩。基于膚色在 YCbCr 空間中良好的聚類性，本文在 YCbCr 空間下構(gòu)建模型。 圖像中由于光照影響，部分區(qū)域轉(zhuǎn)化為 YCbCr空間時，人臉膚色聚類性變差，簡單來說既是從背景中提取人臉能力變差。 本方法處理后得出的圖像進行光補償后就可以檢測圖像中的人臉。與原圖 (如圖 )比較可發(fā)現(xiàn)膚色部位已經(jīng)可以很容易地分辨出來。 ip 為第 i 灰度級像素的概率。在灰度空間中設(shè)定自動閾值可以得到如圖 圖 圖 眼部特征檢測 初級處理后的二值圖像除臉部外，還有其他部位如手、胳膊、頸部等也顯示出來了。 圖 臉部檢測結(jié)果 本章小結(jié) 本章采用圖像差分法先檢測出運動區(qū)域，消除了背景對人臉檢測的影響，所有了搜索的范圍，利用膚色在 YCrCb空間里的聚類性來檢測人臉區(qū)域，同時為了去除亮度對膚色的影響，增強檢測的可靠性，采用了亮度補償，最后選取了人臉的眼部特征作為條件確定人臉區(qū)域，實驗結(jié)果顯示，改算法有一定的實時性。 第 5章 總結(jié) 人臉檢測與跟蹤問題的內(nèi)涵十分廣泛，由于人臉模式的復(fù)雜性，實現(xiàn)通用的人臉檢測與跟蹤方法還不現(xiàn)實。 具體來說，本文完成的主要工作總結(jié)如下： 詳細(xì)分析了人臉檢測與跟蹤的相關(guān)理論和主流方法，將人臉檢測的方法分為基于膚色的檢測方法、基于啟發(fā)式模型的方法和基于統(tǒng)計模型的方法等；人臉跟蹤的方法主要分為基于特征檢測的方法、基于模型的方法和基于貝葉斯 濾波的方法等。 參考文獻 [1]陳勝勇 ,劉盛等 .基于 OpenCV的計算機視覺技術(shù)實現(xiàn) [M].北京 :科學(xué)出版社 ,2021:15. [2]張翠平 ,蘇光人 .人臉識別技術(shù)綜述 [J].中國圖像圖形學(xué)報 ,2021,5(11):886889. [3]Chellappa R.,Wilson .,Sirohey S..Human and machine recohnition of faces[J] Proceedings of the IEEE,1995,83(5):711740 [4]周杰 ,盧春雨 ,張長水 ,李衍達(dá) .人臉自動識別綜述 [J].電子學(xué)報 ,2021,28(4):102106 [5], and learning graphs and pose on image sequences of faces[J].IEEE ICFQ,1995:176181. [6]Sung K.,Poggio T..Examplebased learning for view based human face detection[J].IEEE Pattern Analysis and Machine Intelligence,1998, 20(1):3951. [7]梁路宏 ,艾海舟等 .人臉檢測研究綜述 [J].計算機學(xué)報 ,2021,25(5):449458. [8]謝鳳英，趙丹培 .Visual C++數(shù)字圖像處理 [M].北京 :電子工業(yè)出版社 :6263， 9091， 239240， 250265. [9]Yang .,Huang ..Human face detection in a plex background[J].Pattern Recognition,1994,27(1):5363. [10]Han CC,Liao HY,Yu GJ,Chen face detection via morphologybased preprocessing[J].Pattern Recognition,2021,33(10):17011712. [11]Bruneli R.,Poggio T..Face recognition:features versus templates[J].IEEE Pattern Analysis and Machine Intelligence,1993,15(10):10421052. [12]Moghaddam A..Probabilistic visual learning for object representation[J].IEEE Pattern Analysis and Machine Intelligence,1997,19(7):696710. [13]Rowley ..Neural work–based face detection[D].CMUCS99117,1999 [14]Rowley .,Baluja S.,Kanade T..Neural work–based face detection[J].IEEE Pattern Analysis and Machine Intelligence,1998,20(1):2328. [15]Rowley .,Baluja S.,Kanade T..Rotation invariant neural work–based face detection[J].IEEE Vision and Pattern Recognition,1998:3944. [16], training algorithm for optimal margin classifier[J].5th ACM Workshop on Computational Learning Theory,1992:144152. [17]王志良 ,孟秀艷 .人臉工程學(xué) [M].北京 :機械工業(yè)出版社 ,2021:9094. [18]顏蔣國 ,潘立登 .基于 Gabor小波的人臉特征點跟蹤方法 [J].計算機應(yīng)用 ,2021,24(7):5051. [19]段鴻 ,程義民 ,王以孝 ,蔡尚書 .基于 Kanade Lucas Tomasi 算法的人臉特征點跟蹤方 法 [J].計算機輔助設(shè)計與圖形學(xué)學(xué)報 ,2021,16(3):279280. [20]楊春玲 ,倪晉麟 .基于轉(zhuǎn)換坐標(biāo)卡爾曼濾波算法的雷達(dá)目標(biāo)跟蹤 [J].現(xiàn)代雷達(dá) ,1998,20(5). [21]馮艷 .格子基搜索算法解優(yōu)化問題的一些研究 [碩士學(xué)位論文 ][D].大連 ,大連理工大學(xué)