【導讀】人臉檢測定位跟蹤作為生物特征識別的一項重要技術，其應用相當廣泛。人臉檢測定位跟蹤。通過建立膚色模型，經自適應閾值的二值化處理后，再進行。膚色分割，將非人臉區(qū)域去除；最終利用眼睛特征定位人臉。實驗結果表明，該算法對于復。雜背景下的彩色圖像中的人臉正面定位和人臉轉動一定角度后定位都有較好效果。

　　

【正文】 統(tǒng)運行時間的實時性，也可以得到較完整的目標識別信息，算法流程如下 ： 捕 獲 視 頻基 于 高 斯 統(tǒng) 計 估 計背 景 模 型幀 數 / 5 0使 用 幀 間 差 分 法 獲 得 不 包 含運 動 區(qū) 域 的 當 前 幀 更 新 背 景背 景 差 分 法 得 到 運 動 目 標 圖 像視 頻 是 否 結 束 ？結 束開 始NYNY 圖 目標提取流程圖 根據上述算法實現(xiàn)的運動目標的提取，效果如下： 圖 運動目標提取圖 模型建立和光補償 經過對視頻的處理，已經選出運動的區(qū)域作為對象來檢測人臉。此時對每一幀的處理實際上是對一個靜態(tài)圖像的運算。首先，選擇顏色空間建立膚色模型。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。任何一個顏色空間都只是可見光的子集，并不能包含所有可見光。 RGB 是最常見的彩色模型，然而， RGB空間更適合于顯示系統(tǒng)。在對圖像進行處理時，一般要先變換到其他顏色空間，這是因為 RGB三分量密切相關，只要亮 度改變，這三個分量都會相應改變；而且， RGB是一種不均勻的顏色空間，兩種顏色之間的色差不能表示為該空間兩點間的距離?；谀w色在 YCbCr 空間中良好的聚類性，本文在 YCbCr 空間下構建模型。然后，在初步處理得到的膚色區(qū)域里，分析是否包含最顯著的臉部特征：眼特征。在 YCbCr空間中，眼特征可以用本文算法提取出來。通過對眼特征的辨認，確定人臉區(qū)域。 圖像中由于光照影響，部分區(qū)域轉化為 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。 進行光補償能夠有效改善膚色的聚類性。本文中鑒于 要達到實時性的目的，簡化地將各個像素 R、 G、 B三分量的和擴展到最高的 255，進行光補償。補償算法 : 255???? bgr rR （ ） 255???? bgr gG （ ） 255???? bgr bB （ ） 式中 r、 g、 b 為原圖紅、綠、藍分量， R、 G、 B 為補償的紅、綠、藍分量。 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。光補償后根據膚色在YCbCr空間的具有的聚類性，使用檢測算法如下： 1）首先將 RGB圖像轉換為 YCbCr圖像， YCbCr標準是 CCIR制定的為了傳輸在整數 0到255 范圍內編碼的亮度與色度成分圖像坐標系統(tǒng)。 Y是指亮度分量， Cb是藍色色度分量， Cr是紅色色度分量。 YCbCr與 RGB之間的變換關系為 : ???????????????????????????????BGRCrCbY0 .0 8 1 0 .4 1 9 0 .5 0 00 .5 0 0 0 .3 3 1 0 .1 6 90 .1 1 4 0 .5 8 7 （ ） 2）將已經轉化的 Cb分量圖與 Cr 分量圖作差， 即得到初級圖像，如圖 所示。與原圖 (如圖 )比較可發(fā)現(xiàn)膚色部位已經可以很容易地分辨出來。確定閾值二值化圖像時可以多次嘗試或者使用經驗閾值，但是這兩種方法都不完善，存在速度慢或準確度不高的缺陷，折中的方法是使用自動閾值。自動閾值通常有 Otsu 法，迭代式閾值選擇法和最小誤差閾值選擇法。 Otsu 是一種使類間方差最大的自動閾值選擇法，其方法是 : 設圖像的像素為 n，共分 L 個灰度級，首先求出整幅圖的灰度均值 : ????10Li iT ip?。 ip 為第 i 灰度級像素的概率。假定灰度閾值為 T，計算以 T為限分開的兩部分 C0、 C1灰度均值 0? 、 1? 。 ? ?? ?? Ti Ti ii pip0 00 /? （ ） ? ???? ???? 11 111 /LTi LTi ii pip? （ ） 類間方差定義為 : 2112021 )()( TT ww ????? ???? （ ） 其中 10ww 表示 C0C1 在圖中出現(xiàn)的概率， T? 表示整幅圖的灰度均值，然后令 T 在 L 個灰度內依次取值，使 2? 最大者為最終閾值。該法簡單，處理速度快，本文使用 Otsu 法選取閾值。在灰度空間中設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。通過進一步作眼部特征判斷，可以去除這些部位影響，最終檢測出人臉。對眼部的檢測使用算法為 : )/(311 22 CrCbCrCbF e c ??? （ ） 1),( ),( ???? yxgY yxgYFecl （ ） 2 A N D 1 FecFecFec ? （ ） Cr 為 Cr 的負 (如 255Cr)， ? 是形態(tài)學中的膨脹運算， ? 是腐蝕運算， g 的定義g: )9(2 RRG ?? ， AND為與運算。在 matlab環(huán)境下算法最終檢測出的人臉如圖 。 圖 臉部檢測結果 本章小結 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，實驗結果顯示，改算法有一定的實時性。 但是在運動目標的提取過程中，所采用的背 景幀差法，并不是最佳的提取方法，對于某些場景中的運動目標又是不能很好的提取，并且，提取的運動目標的過程中會有一些余跡出現(xiàn)，所以在檢測跟蹤的時候，我們可以改進提取精度，采用一種方法擦出余跡。這是可以改進的地方。 在此次課題設計中我們只做到了單張單人臉的檢測定位和視頻當中的運動目標提取，以后的工作有待完善。 第 5章 總結 人臉檢測與跟蹤問題的內涵十分廣泛，由于人臉模式的復雜性，實現(xiàn)通用的人臉檢測與跟蹤方法還不現(xiàn)實。本文主要研究了彩色圖片和視頻序列中的人臉檢測與跟蹤的問題，復雜背景圖像下的多姿態(tài)人臉的檢測與跟蹤也是 研究的重點之一。本文學習了前人在人臉檢測與跟蹤的主要方法，給出了基于膚色人臉檢測與人臉的眼部特征（啟發(fā)式特征人臉檢測）相結合對視頻中運動目標的人臉進行檢測與跟蹤的方法。對于本文的人臉檢測與跟蹤的方法，利用 OpenCV計算機視覺庫進行了局部實現(xiàn)。 具體來說，本文完成的主要工作總結如下： 詳細分析了人臉檢測與跟蹤的相關理論和主流方法，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。在此基礎上評述了各個算法的優(yōu)缺點以及應用范圍和場合。 我們主要研究了基于膚色的人臉檢測方法檢測視頻圖像中的人臉以及通過背景差分法對視頻中運動目標的檢測與追蹤，并基于膚色模型與人臉的眼部特征（啟發(fā)式特征人臉檢測）相結合對視頻中運動目標的人臉進行檢測與跟蹤。由于我們研究的時間有限和知識研究的還不透徹，我們只實現(xiàn)了單張單人臉的檢測定位和視頻當中的運動目標提取，所以我們希望在以后的學習中進一步深入研究視頻中人臉檢測與跟蹤。 參考文獻 [1]陳勝勇 ,劉盛等 .基于 OpenCV的計算機視覺技術實現(xiàn) [M].北京 :科學出版社 ,2021:15. [2]張翠平 ,蘇光人 .人臉識別技術綜述 [J].中國圖像圖形學報 ,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 .人臉自動識別綜述 [J].電子學報 ,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].計算機學報 ,2021,25(5):449458. [8]謝鳳英，趙丹培 .Visual C++數字圖像處理 [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 [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].計算機輔助設計與圖形學學報 ,2021,16(3):279280. [20]楊春玲 ,倪晉麟 .基于轉換坐標卡爾曼濾波算法的雷達目標跟蹤 [J].現(xiàn)代雷達 ,1998,20(5). [21]馮艷 .格子基搜索算法解優(yōu)化問題的一些研究 [碩士學位論文 ][D].大連 ,大連理工大學 ,2021. [22]徐林忠 .基于粒子濾波和卡爾曼濾波的復雜場景下視覺跟蹤 [D].浙江 ,浙江大學 ,2021. [23]馮冬青 ， 丁鍇 .視頻中基于膚色 模型的人臉檢測 .計算機應用與軟件 [國家自然科學基金項目(60774059） ]， 2021.