【正文】 r＝ YYr （ 4）來計算協(xié)方差矩陣 Y＝ [? 1? 2? ? M]。這個 訓練（測試）集的平均值用 A＝ M1 ??Mi Ii1來定義。在特征空間中，每個特征說明了人臉圖像中不同的變化。我們使用特征空間中候選區(qū)域的分量向量來為人臉檢驗問題服務。 利用 PCA 檢驗人臉 因為有許多移動的對象，所以按序跟蹤人臉的主要部分是很困難的。 St 是當前幀中膚色像素的集合，（斯坦） t 是利用適當?shù)拈撓藜夹g計算出的閾限值 [9]。結果，結合膚色模型的動作信息導出了一幅包含情景（人臉區(qū)域）和背景（非人臉區(qū)域）的二進制圖像。利用動作信息可以有效地去除這個缺點。原始圖像的每一個像素被轉變?yōu)椴噬纳士臻g，然后與該膚色模型的分布比較。人臉的色彩分布是在一個小的彩色的色彩空間中成群的，且可以通過一個 2 維的高斯分部來近似。因為通過許多視頻攝像機得到的一幅 RGB 圖像不僅包含色彩還包含亮度，所以這個色彩空間不是檢測膚色像素 [1,6]的最佳色彩圖像。為了改進人臉檢測的精確性，我們把諸如膚色模型 [1,6]和 PCA[7,8]這些已經發(fā)表的技術結合起來。然后，利用特征技術（ eigen－ technique） 跟蹤被證實的人臉。這種方法由兩大步驟構 成：人臉檢測和人臉跟蹤。許多最新的人臉跟蹤的研究都遇到了最在背景噪音的問題，且研究都傾向于跟蹤未經證實的人臉，例如臂和手。因為視 1 DoJoon Jung, ChangWoo Lee, YeonChul Lee, SangYong Bak, JongBae Kim, Hyun Kang, HangJoon Kim. International Technical Conference on Circuits/Systems, Computers and Communications (ITCCSCC39。此外，當一幅圖像的背景有很明顯的邊緣時，（跟蹤方法）很難提供可靠的（跟蹤 ）結果。 基于邊緣的（跟蹤）方法用于跟蹤一幅圖像序列的邊緣，而這些邊緣通常是主要對象的邊界線。 基于識別 的跟蹤是真正地以對象識別技術為基礎的，而跟蹤系統(tǒng)的性能是受到識別方法的效率的限制。一般來說，根據跟蹤角度的不同，可以把跟蹤方法分為兩類。在上面提到的許多系統(tǒng)中，人臉的檢測喝跟蹤視必不可缺的組成部分。這個方法還可以擴展到其他的系統(tǒng)中去，例如電信會議、入侵者檢查系統(tǒng)等等 。而人臉跟蹤基于歐幾里德（ Euclidian）距離的，其中歐幾里德距離在位于以前被跟蹤的人臉和最近被檢測的人臉之間的特征空間中。為了實現(xiàn)人臉的檢測，首先，我們要用一個膚色模型和一些動作信息 (如：姿勢、手勢、眼色 )。譯文一 基于 PAC 的實時人臉檢測和跟蹤方法 1 摘要： 這篇文章提出了復雜背景條件下，實現(xiàn)實時人臉檢測和跟蹤的一種方法。這種方法是以主要成分分析技術為基礎的。然后，使用 PAC 技術檢測這些被檢驗的區(qū)域，從而判定人臉真正的位置。用于人臉跟蹤的攝像控制器以這樣的方法工作：利用平衡 /（ pan/tilt）平臺， 把被檢測的人臉區(qū)域控制在屏幕的中央。 視頻信號處理有許多應用，例如鑒于通訊可視化的電信會議，為殘疾人服務的唇讀系統(tǒng)。在本文中，涉及到一些實時的人臉區(qū)域跟蹤 [13]。有一部分人把人臉跟蹤分為基于識別的跟蹤喝基于動作的跟蹤，而其他一部分人則把人臉跟蹤分為基于邊緣的跟蹤和基于區(qū)域的跟蹤 [4]。基于動作的跟蹤是依賴于動作檢測技術，且該技術可以被分成視頻流（ optical flow）的（檢測）方法和動作 — 能量（ motion－ energy）的（檢測）方法。然而，因為被跟蹤的對象必須在色彩和光照條件下顯示出明顯的邊緣變化，所以這些方法會遭遇到彩色和光照的變化。當前很多的文獻都涉及到的這類方法時源于 Kass et [5]的成就。02) 頻情景是從包含了多種多樣噪音的實時攝像機中獲得的，因此許多系統(tǒng)很難得到可靠的人臉跟蹤結果。 在本文中，我們提出了一種基于 PCA 的實時人臉檢測和跟蹤方法，該方法是利用一個如圖 1 所示的活動攝像機來檢測和識別人臉的。利用兩副連續(xù)的幀，首先檢驗人臉的候選區(qū)域，并利用 PCA 技 術來判定真正的人臉區(qū)域。 在這一部分中，將介紹本文提及到的方法中的用于檢測人臉的技術。 膚色分類 檢測膚色像素提供了一種檢測和跟蹤人臉的可靠方法。通過亮度區(qū)分一個彩色像素的三個成分，可以移動亮度。因此，通過一個 2 維高斯模型可以近似這個膚色模型，其中平均值和變化如下： m=(r ,g ) 其中 r ＝ N1 ??Ni ri1， g ＝ N1 ??Ni gi1 （ 1） ? ＝ ?????????? （ 2） 一旦建好了膚色模型，一個定位人臉的簡單方法是匹配輸入圖像來尋找圖像中人臉的色彩群。 動作檢測 雖然膚色在特征的應用種非常廣泛，但是當膚色同時出現(xiàn)在背景區(qū)域和人的皮膚區(qū)域時 ，膚色就不適合于人臉檢測了。為了精確，在膚色分類后，僅考慮包含動作的膚色區(qū)域。這幅二進制圖像定義為 ，其中 It(x,y) 和 It1(x,y)分別是當前幀和前面那幀中像素（ x,y）的亮度。作為一個加速處理的過程，我們利用形態(tài)學（上）的操作（ morpholoical operations）和連接成分分 析，簡化了圖像 Mt。此外，還需要檢驗這個移動的對象是人臉還是非人臉。為了減少該特征空間的維度，我們把 N 維的候選人臉圖像投影到較低維度的特征空間，我們稱之為特征空間或人臉空間 [7,8]。 為了簡述這個特征空間，假設一個圖像集合 I1， I2， I3，?， IM，其中每幅圖像是一個 N 維的列向量，并以此構成人臉空間。用 ? i＝ I I－ A 來計算每一維的零平均數(shù)，并以此構成一個新的向量。雖然矩陣 C 是 N N 維的，但是定義一個 N 維的特征向量和 N 個特征值是個難處理的問題。關于這 M 個特征向量，選定 M 個重要的特征向量當作 它們的相應的最大特征值。 為了檢驗候選的人臉區(qū)域是否是真正的人臉圖像，也會利用公式（ 6）把這個候選人臉區(qū)域投影到訓練（測試）特征空間中。 Min（ ||Wkcandidate－ Wface||,||Wkcandidate－ Wnonface||），（ 7）其中 Wkcandidate 是訓練（測試）特征空間中對 k 個候選人臉區(qū)域，且 Wface， Wnonface 分別是訓練 (測試 )特征空間中人臉類和非人臉類的中心坐標，而 || ||表示特征空間中的歐幾里德距離（ Euclidean） 在最新的人臉檢測中，通過在特征空間中使用一個距離度量標準來定義圖像序列中下一幅圖像中被跟蹤的人臉。 在定義了人臉區(qū)域后 ，位于被檢測人臉區(qū)域的中心和屏幕中心之間的距離用distt（ face， screen）＝ Facet（ x， y）－ Screen（ height/2， width/2），（ 9）來計算，其中 Facet（ x， y）是時間 t 內被檢測人臉區(qū)域的中心， Screen（ height/2， width/2）是屏幕的中心區(qū)域。攝像機控制器是在這樣的方式下工作的：通過控制活動攝像機的平和/傾斜平臺把被檢測的人臉區(qū)域保持在屏幕的中央。參數(shù)表示的是活動攝像機的控制。 計算平和 /傾斜持續(xù)時間和定位的偽代碼： Procedure Duration（ x， y） Begin Sigd=None； Distance= 22 yx ? ； IF distance close? then Sigd=Close； ELSEIF distance far? then Sigd=fat； Return（ Sigd）； End Duration； Procedure Orientation（ x， y） Begin Sigo=None； IF x x? then Add “RIGHT” to Sigo； ELSEIF x x? then Add “LEFT” to Sigo； IF y y? then Add “ up” to Sigo； ElSEIF x y? then Add “DOWN” to Sigo； Return（ Sigo）； End Orientation； 本文中提議了一種基于 PAC 的實時人臉檢測和跟蹤方法。在一個視頻輸入流中，首先，我們利用注入色彩、動作信息和 PCA 這類提示來檢測人臉區(qū)域，然后，用這樣的方式跟蹤人臉：即通過一個安裝了平衡 /請求平臺的活動攝像機把被檢測的人臉區(qū)域保持在屏幕的中央。 參 考文獻 [1] Z. Guo, H. Liu, Q. Wang, and J. Yang, “A Fast Algorithm of Face Detection for Driver Monitoring,” In Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications, , 271, 2020. [2] M. Yang, N. Ahuja, “Face Detection and Gesture Recognition for HumanComputer Interaction,” The International Series in Video Computing , , Springer, 2020. [3] Y. Freund and R. E. Schapire, “A DecisionTheoretic Generaliztion of OnLine Learning and an Application to Boosting,” Journal of Computer and System Sciences, no. 55, pp. 119139, 1997. [4] J. I. Woodfill, G. Gordon, R. Buck, “Tyzx DeepSea High Speed Stereo Vision System,” In Proceedings of the Conference on Computer Vision and Pattern Recognition Workshop, , 2020. [5] Xilinx Inc., “Virtex4 Data Sheets: Virtex4 Family Overview,” Sep. 2020. DOI= [6] Y. Wei, X. Bing, and C. Chareonsak, “FPGA implementation of AdaBoost algorithm for detection of face biometrics,” In Proceedings of IEEE International Workshop Biomedical Circuits and Systems, page S1, 2020. [7] M. Yang, Y. Wu, J. Crenshaw, B. Augustine, and R. Mareachen, “Face detection for automatic exposure control in handheld camera,” In Proceedings of IEEE international Conference on Computer Vision System, , 206. [8] V. Nair, P. Laprise, and J. Clark, “An FPGAbased people detection system,” EURASIP Journal of Applied Signal Processing, 2020(7), pp. 10471061, 2020 [9] C. Gao and S. Lu, “Novel FPGA based Haar classifier face detection algorithm acceleration,” In Proceedings of International Conference on Field Programmable Logic and Applications, 2020. 外文原文一 PCABase RealTime Face Detection and Tracking1 【 Abstract】： This article put forward plicated background term next。s face follows according to the is several in the virtuous (Euclidian) distance of, among them the is several to reign in the virtuous distance in past drive on the trail of per