【導(dǎo)讀】人臉檢測(cè)定位跟蹤作為生物特征識(shí)別的一項(xiàng)重要技術(shù)，其應(yīng)用相當(dāng)廣泛。人臉檢測(cè)定位跟蹤。通過建立膚色模型，經(jīng)自適應(yīng)閾值的二值化處理后，再進(jìn)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(shí)驗(yàn)結(jié)果表明，該算法對(duì)于復(fù)。雜背景下的彩色圖像中的人臉正面定位和人臉轉(zhuǎn)動(dòng)一定角度后定位都有較好效果。

　　

【正文】 統(tǒng)運(yùn)行時(shí)間的實(shí)時(shí)性，也可以得到較完整的目標(biāo)識(shí)別信息，算法流程如下 ： 捕 獲 視 頻基 于 高 斯 統(tǒng) 計(jì) 估 計(jì)背 景 模 型幀 數(shù) / 5 0使 用 幀 間 差 分 法 獲 得 不 包 含運(yùn) 動(dòng) 區(qū) 域 的 當(dāng) 前 幀 更 新 背 景背 景 差 分 法 得 到 運(yùn) 動(dòng) 目 標(biāo) 圖 像視 頻 是 否 結(jié) 束 ？結(jié) 束開 始NYNY 圖 目標(biāo)提取流程圖 根據(jù)上述算法實(shí)現(xiàn)的運(yùn)動(dòng)目標(biāo)的提取，效果如下： 圖 運(yùn)動(dòng)目標(biāo)提取圖 模型建立和光補(bǔ)償 經(jīng)過對(duì)視頻的處理，已經(jīng)選出運(yùn)動(dòng)的區(qū)域作為對(duì)象來檢測(cè)人臉。此時(shí)對(duì)每一幀的處理實(shí)際上是對(duì)一個(gè)靜態(tài)圖像的運(yùn)算。首先，選擇顏色空間建立膚色模型。顏色空間指某個(gè)三維顏色空間中的一個(gè)可見光的子集，它包含某個(gè)色彩域的所有色彩。任何一個(gè)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(duì)圖像進(jìn)行處理時(shí)，一般要先變換到其他顏色空間，這是因?yàn)?RGB三分量密切相關(guān)，只要亮 度改變，這三個(gè)分量都會(huì)相應(yīng)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(diǎn)間的距離。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。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(duì)眼特征的辨認(rèn)，確定人臉區(qū)域。 圖像中由于光照影響，部分區(qū)域轉(zhuǎn)化為 YCbCr空間時(shí)，人臉膚色聚類性變差，簡(jiǎn)單來說既是從背景中提取人臉能力變差。 進(jìn)行光補(bǔ)償能夠有效改善膚色的聚類性。本文中鑒于 要達(dá)到實(shí)時(shí)性的目的，簡(jiǎn)化地將各個(gè)像素 R、 G、 B三分量的和擴(kuò)展到最高的 255，進(jìn)行光補(bǔ)償。補(bǔ)償算法 : 255???? bgr rR （ ） 255???? bgr gG （ ） 255???? bgr bB （ ） 式中 r、 g、 b 為原圖紅、綠、藍(lán)分量， R、 G、 B 為補(bǔ)償?shù)募t、綠、藍(lán)分量。 本方法處理后得出的圖像進(jìn)行光補(bǔ)償后就可以檢測(cè)圖像中的人臉。光補(bǔ)償后根據(jù)膚色在YCbCr空間的具有的聚類性，使用檢測(cè)算法如下： 1）首先將 RGB圖像轉(zhuǎn)換為 YCbCr圖像， YCbCr標(biāo)準(zhǔn)是 CCIR制定的為了傳輸在整數(shù) 0到255 范圍內(nèi)編碼的亮度與色度成分圖像坐標(biāo)系統(tǒng)。 Y是指亮度分量， Cb是藍(lán)色色度分量， Cr是紅色色度分量。 YCbCr與 RGB之間的變換關(guān)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(jīng)轉(zhuǎn)化的 Cb分量圖與 Cr 分量圖作差， 即得到初級(jí)圖像，如圖 所示。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。確定閾值二值化圖像時(shí)可以多次嘗試或者使用經(jīng)驗(yàn)閾值，但是這兩種方法都不完善，存在速度慢或準(zhǔn)確度不高的缺陷，折中的方法是使用自動(dòng)閾值。自動(dòng)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(dòng)閾值選擇法，其方法是 : 設(shè)圖像的像素為 n，共分 L 個(gè)灰度級(jí)，首先求出整幅圖的灰度均值 : ????10Li iT ip?。 ip 為第 i 灰度級(jí)像素的概率。假定灰度閾值為 T，計(jì)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(gè)灰度內(nèi)依次取值，使 2? 最大者為最終閾值。該法簡(jiǎn)單，處理速度快，本文使用 Otsu 法選取閾值。在灰度空間中設(shè)定自動(dòng)閾值可以得到如圖 圖 圖 眼部特征檢測(cè) 初級(jí)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(jìn)一步作眼部特征判斷，可以去除這些部位影響，最終檢測(cè)出人臉。對(duì)眼部的檢測(cè)使用算法為 : )/(311 22 CrCbCrCbF e c ??? （ ） 1),( ),( ???? yxgY yxgYFecl （ ） 2 A N D 1 FecFecFec ? （ ） Cr 為 Cr 的負(fù) (如 255Cr)， ? 是形態(tài)學(xué)中的膨脹運(yùn)算， ? 是腐蝕運(yùn)算， g 的定義g: )9(2 RRG ?? ， AND為與運(yùn)算。在 matlab環(huán)境下算法最終檢測(cè)出的人臉如圖 。 圖 臉部檢測(cè)結(jié)果 本章小結(jié) 本章采用圖像差分法先檢測(cè)出運(yùn)動(dòng)區(qū)域，消除了背景對(duì)人臉檢測(cè)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(cè)人臉區(qū)域，同時(shí)為了去除亮度對(duì)膚色的影響，增強(qiáng)檢測(cè)的可靠性，采用了亮度補(bǔ)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(shí)驗(yàn)結(jié)果顯示，改算法有一定的實(shí)時(shí)性。 但是在運(yùn)動(dòng)目標(biāo)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(duì)于某些場(chǎng)景中的運(yùn)動(dòng)目標(biāo)又是不能很好的提取，并且，提取的運(yùn)動(dòng)目標(biāo)的過程中會(huì)有一些余跡出現(xiàn)，所以在檢測(cè)跟蹤的時(shí)候，我們可以改進(jìn)提取精度，采用一種方法擦出余跡。這是可以改進(jìn)的地方。 在此次課題設(shè)計(jì)中我們只做到了單張單人臉的檢測(cè)定位和視頻當(dāng)中的運(yùn)動(dòng)目標(biāo)提取，以后的工作有待完善。 第 5章 總結(jié) 人臉檢測(cè)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(shí)現(xiàn)通用的人臉檢測(cè)與跟蹤方法還不現(xiàn)實(shí)。本文主要研究了彩色圖片和視頻序列中的人臉檢測(cè)與跟蹤的問題，復(fù)雜背景圖像下的多姿態(tài)人臉的檢測(cè)與跟蹤也是 研究的重點(diǎn)之一。本文學(xué)習(xí)了前人在人臉檢測(cè)與跟蹤的主要方法，給出了基于膚色人臉檢測(cè)與人臉的眼部特征（啟發(fā)式特征人臉檢測(cè)）相結(jié)合對(duì)視頻中運(yùn)動(dòng)目標(biāo)的人臉進(jìn)行檢測(cè)與跟蹤的方法。對(duì)于本文的人臉檢測(cè)與跟蹤的方法，利用 OpenCV計(jì)算機(jī)視覺庫進(jìn)行了局部實(shí)現(xiàn)。 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(cè)與跟蹤的相關(guān)理論和主流方法，將人臉檢測(cè)的方法分為基于膚色的檢測(cè)方法、基于啟發(fā)式模型的方法和基于統(tǒng)計(jì)模型的方法等；人臉跟蹤的方法主要分為基于特征檢測(cè)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(chǔ)上評(píng)述了各個(gè)算法的優(yōu)缺點(diǎn)以及應(yīng)用范圍和場(chǎng)合。 我們主要研究了基于膚色的人臉檢測(cè)方法檢測(cè)視頻圖像中的人臉以及通過背景差分法對(duì)視頻中運(yùn)動(dòng)目標(biāo)的檢測(cè)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(cè)）相結(jié)合對(duì)視頻中運(yùn)動(dòng)目標(biāo)的人臉進(jìn)行檢測(cè)與跟蹤。由于我們研究的時(shí)間有限和知識(shí)研究的還不透徹，我們只實(shí)現(xiàn)了單張單人臉的檢測(cè)定位和視頻當(dāng)中的運(yùn)動(dòng)目標(biāo)提取，所以我們希望在以后的學(xué)習(xí)中進(jìn)一步深入研究視頻中人臉檢測(cè)與跟蹤。 參考文獻(xiàn) [1]陳勝勇 ,劉盛等 .基于 OpenCV的計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn) [M].北京 :科學(xué)出版社 ,2021:15. [2]張翠平 ,蘇光人 .人臉識(shí)別技術(shù)綜述 [J].中國圖像圖形學(xué)報(bào) ,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(zhǎng)水 ,李衍達(dá) .人臉自動(dòng)識(shí)別綜述 [J].電子學(xué)報(bào) ,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(cè)研究綜述 [J].計(jì)算機(jī)學(xué)報(bào) ,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(jī)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(diǎn)跟蹤方法 [J].計(jì)算機(jī)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(diǎn)跟蹤方 法 [J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào) ,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) ,2021. [22]徐林忠 .基于粒子濾波和卡爾曼濾波的復(fù)雜場(chǎng)景下視覺跟蹤 [D].浙江 ,浙江大學(xué) ,2021. [23]馮冬青 ， 丁鍇 .視頻中基于膚色 模型的人臉檢測(cè) .計(jì)算機(jī)應(yīng)用與軟件 [國家自然科學(xué)基金項(xiàng)目(60774059） ]， 2021.