一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法技術

本發明專利技術公開了一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法。所述方法，首先對輸入的視頻圖像采用級聯強決策樹的方式檢測出候選人臉區域；然后采用人臉的膚色和輪廓特性篩選出候選人臉區域中的有效人臉區域；將篩選后的有效人臉區域進行基于灰度的均值漂移向量的匹配以實現人臉快速跟蹤，并采用取均值與加權的方式自適應調整人臉跟蹤窗口。采用此方法進行視頻人臉檢測與跟蹤，在保證快速性的同時，具有更低的誤檢率和漏檢率。

An adaptive face detection and tracking method based on skin color and contour selection

The invention discloses an adaptive face detection and tracking method integrating skin color and contour screening. The first level decision tree method, Synnex by video image on the input way to detect candidate face region; then the color and contour characteristic of face screen effective candidate face regions in the face region; effective face region screening after matching the mean shift vector gray level to implement the fast face tracking based on and the average and weighted way adaptive face tracking window. This method is used for video face detection and tracking, and it has lower false detection rate and missed detection rate while ensuring high speed.

【技術實現步驟摘要】
一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法
本專利技術屬于視覺目標檢測與跟蹤
，尤其涉及到一種融合人臉膚色與輪廓特征的人臉自適應檢測與跟蹤方法。
技術介紹
隨著社會的不斷進步以及各方面對于快速有效的自動身份驗證的迫切要求，生物特征識別技術在幾十年中得到了飛速的發展。人臉作為人的一種內在屬性，并且具有很強的自身穩定性及個體差異性，成為了自動身份驗證的最理想依據之一。人臉的檢測與跟蹤技術是近年來圖像處理領域研究比較熱門的課題之一。隨著研究的不斷深入，該領域的研究取得了長足的發展。與其他識別方法相比，人臉具有直接、友好、方便的特點，又由于使用者無任何心理障礙，易于為用戶所接受，故得到了廣泛的研究與應用。當前的人臉識別技術主要被應用到了刑偵破案、證件驗證、視頻監控、人流量統計及表情分析等方面。此外，人臉識別技術在醫學、檔案管理、人臉動畫、人臉建模、視頻會議等方面也有著巨大的應用前景。人臉檢測是指在輸入圖像中確定所有人臉位置以及對其尺度信息進行參數化描述，是人臉識別、人機交互和人像攝影等應用中的重要環節。現有的人臉檢測方法大致可分為基于人臉特征的人臉檢測以及基于統計學習的人臉檢測兩類。基于人臉特征的檢測方法又包括：基于膚色和頭發顏色建立分布描述模型、基于局部二進制特征、模板匹配等，基于人臉特征的檢測方法的精度都易受光照、相似背景顏色及人臉姿態的影響；基于統計學習的人臉檢測方法包括：人工神經網絡、支持向量機、Adaboost等，然而其學習性能十分依賴于樣本庫對人臉的代表能力及模型的準確程度，檢測的計算量較大。Meanshift算法是現有的人臉檢測與目標跟蹤方法中的一種，因具備無參數、快速匹配的特點，被廣泛應用，但當目標出現較大尺度變化時，會導致其定位不準確；Camshift算法是由Meanshift算法推導而來的方法，很好地彌補了Meanshift算法這些缺點，但其在面對相似顏色及復雜背景時，易出現目標丟失、識別錯誤等情況，而Kalman濾波算法和Camshift算法相結合的方法對快速運動目標和遮擋現象具有很好的效果，但是該方法本身為半自動跟蹤，需要人為對目標框定，對相似背景的抗干擾能力差。綜上所述，現有的人臉檢測與目標跟蹤方法都存在很多不足之處，如何快速準確地在視頻圖像中進行人臉檢測與跟蹤已經成為了一項復雜的、具有挑戰性的研究課題。
技術實現思路
針對已有人臉檢測與跟蹤方法中存在的缺陷或不足，即人臉檢測算法在視頻圖像序列中運算時間長、易出現人臉誤檢區域，跟蹤算法易受相似背景和障礙物遮擋而出現跟蹤丟失，本專利技術提出一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法。為了實現上述任務，本專利技術采取如下的技術解決方案：一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法，采用如下步驟：(1)獲取視頻圖像；(2)基于級聯強決策樹從所述視頻圖像中檢測出人臉區域；(3)基于膚色特性從所述人臉區域中篩選候選人臉；(4)基于輪廓特性從步驟(2)輸出的候選人臉圖像中進一步篩選候選人臉；(5)對步驟(4)輸出的候選人臉圖像進行灰度處理，得到運動人臉的直方圖模板，根據所述運動人臉的直方圖模板確定跟蹤的人臉區域圖像；(6)基于所述步驟(5)確定跟蹤的人臉區域圖像，自適應調整人臉跟蹤窗口。進一步的，所述步驟(2)包括以下過程：(2.1)選定n個輸入訓練樣本集合：S＝{(F1,e1),(F2,e2),…,(Fn,en)}，Fi是指第i個輸入圖像，ei表示圖像樣本的結構標識，ei∈{0,1}，當ei＝0時，表示Fi為反比例樣本向量，即非人臉樣本；當ei＝1時，表示Fi為正比例樣本向量，即為人臉樣本；(2.2)針對訓練樣本S上的任意樣本圖像Fi構建特征k的弱決策樹dk(Fi)，k∈[1，K]，K為特征總數，則有當dk(Fi)＝1時，弱決策樹判斷樣本圖像Fi為人臉，否則判斷為非人臉；其中，gk(Fi)表示第k個特征在圖像Fi上的特征值，Thk是第k個特征的閾值，NT，NF分別表示人臉和非人臉樣本數目，vT和vF為當前特征在所有人臉及非人臉樣本圖像上的平均特征值，Ck的作用是控制不等式的方向，當vT<Thk時，Ck＝-1，當vT≥Thk時，Ck＝+1；(2.3)初始化訓練樣本S的權重πz(z＝1)，并進行Z輪訓練，且(2.4)在第z輪訓練中，對于任意特征k，k∈[1，K]，訓練一個只使用該特征的弱決策樹dk(Fi)，并計算該決策樹產生的分類錯誤(2.5)選出第z輪訓練中分類錯誤最小的弱決策樹dz(Fi)，并將其最小分類錯誤記為更新各個樣本的權值πz+1(Fi)，其中，(2.6)z＝z+1，歸一化樣本權重πz：判定z是否小于等于Z，當z小于等于Z時，轉(2.4)，當z大于Z時，轉(2.7)。(2.7)基于對正反比例樣本的分析，選出誤差最小的Z個弱決策樹，最終優化成一個強決策樹D(Fi)：當D(Fi)＝1時，強決策樹判斷樣本圖像Fi為人臉，否則判斷為非人臉；(2.8)經過一級一級的強決策樹的決策，輸出候選人臉區域圖像Fc。進一步的，所述步驟(3)包括以下過程：(3.1)輸入所述步驟(2.8)輸出的候選人臉區域圖像Fc；(3.2)采用映射關系將所述候選人臉區域圖像Fc從RGB顏色空間轉換到YIQ顏色空間，獲得YIQ候選人臉區域彩色圖像；(3.3)提取所述YIQ候選人臉區域彩色圖像的各個像素點的色度分量信息I和Q；(3.4)依據置信區間對所述YIQ候選人臉區域彩色圖像進行二值化，將在置信區間內的像素的值置為1，為膚色像素，否則，置為0，為非膚色像素，得到膚色區域與非膚色區域；(3.5)剔除所述YIQ候選人臉區域彩色圖像中不含膚色像素點的區域，并輸出候選人臉的二值化圖像Fb。進一步的，所述步驟(4)包括以下過程：(4.1)輸入所述二值化圖像Fb；(4.2)對所述二值化圖像Fb進行M次膨脹運算再進行N次腐蝕運算，還原受光線影響的膚色區域；(4.3)遍歷所述二值化圖像Fb中的膚色像素點，獲取膚色區域的上、下、左、右邊界Bt、Bb、Bl、Br，并重新確定所述二值化圖像Fb中的人臉區域的大小獲得待檢測區域；(4.4)計算所述待檢測區域內白色像素的總個數：其中，As表示所述待檢測區域內的膚色面積，n為所述待檢測區域內的總像素個數，αi表示第i個像素點的屬性，當αi值為1時，該像素點為膚色像素點，當αi值為0時，該像素點為背景像素點；(4.5)采用人臉輪廓的約束條件對所述待檢測區域進行區域篩選，進一步排除誤檢的人臉區域，獲得有效的人臉區域圖像Fe。進一步的，所述步驟(5)包括以下過程：(5.1)輸入所述有效的人臉區域圖像Fe；(5.2)計算出人臉區域中心位置O0，在包含所述人臉區域中心位置O0的矩形跟蹤區域中，對所有的像素點位置{o1，o2，…，on}進行歸一化處理；(5.3)將歸一化后的人臉區域作為運動人臉的直方圖模板；為歸一化系數，κ(·)為核函數，t(oi)為oi像素點對應直方圖中的灰度索引值，m為直方圖中的灰度索引值，δ為Kroneckerdelta函數；(5.4)按照步驟(5.1)至(5.3)的方式計算出當前幀的候選人臉的顏色直方圖其中，為歸一化系數，為候選人臉區域對應的歸一化像素位置，j表示迭代的次數，當j＝0時，Oj＝O0，否則Oj為上一次本文檔來自技高網...

【技術保護點】
一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法，其特征在于，包括以下步驟：(1)獲取視頻圖像；(2)基于級聯強決策樹從所述視頻圖像中檢測出人臉區域；(3)基于膚色特性從所述人臉區域中篩選候選人臉；(4)基于輪廓特性從步驟(2)輸出的候選人臉圖像中進一步篩選候選人臉；(5)對步驟(4)輸出的候選人臉圖像進行灰度處理，得到運動人臉的直方圖模板，根據所述運動人臉的直方圖模板確定跟蹤的人臉區域圖像；(6)基于所述步驟(5)確定跟蹤的人臉區域圖像，自適應調整人臉跟蹤窗口。

【技術特征摘要】
1.一種融合膚色及輪廓篩選的人臉自適應檢測與跟蹤方法，其特征在于，包括以下步驟：(1)獲取視頻圖像；(2)基于級聯強決策樹從所述視頻圖像中檢測出人臉區域；(3)基于膚色特性從所述人臉區域中篩選候選人臉；(4)基于輪廓特性從步驟(2)輸出的候選人臉圖像中進一步篩選候選人臉；(5)對步驟(4)輸出的候選人臉圖像進行灰度處理，得到運動人臉的直方圖模板，根據所述運動人臉的直方圖模板確定跟蹤的人臉區域圖像；(6)基于所述步驟(5)確定跟蹤的人臉區域圖像，自適應調整人臉跟蹤窗口。2.根據權利要求1所述的人臉自適應檢測與跟蹤方法，其特征在于，所述步驟(2)包括以下過程：(2.1)選定n個輸入訓練樣本集合：S＝{(F1,e1),(F2,e2),…,(Fn,en)}，Fi是指第i個輸入圖像，ei表示圖像樣本的結構標識，ei∈{0,1}，當ei＝0時，表示Fi為反比例樣本向量，即非人臉樣本；當ei＝1時，表示Fi為正比例樣本向量，即為人臉樣本；(2.2)針對訓練樣本S上的任意樣本圖像Fi構建特征k的弱決策樹dk(Fi)，k∈[1，K]，K為特征總數，則有當dk(Fi)＝1時，弱決策樹判斷樣本圖像Fi為人臉，否則判斷為非人臉；其中，gk(Fi)表示第k個特征在圖像Fi上的特征值，Thk是第k個特征的閾值，NT，NF分別表示人臉和非人臉樣本數目，vT和vF為當前特征在所有人臉及非人臉樣本圖像上的平均特征值，Ck的作用是控制不等式的方向，當vT<Thk時，Ck＝-1，當vT≥Thk時，Ck＝+1；(2.3)初始化訓練樣本S的權重πz(z＝1)，并進行Z輪訓練，且(2.4)在第z輪訓練中，對于任意特征k，k∈[1，K]，訓練一個只使用該特征的弱決策樹dk(Fi)，并計算該決策樹產生的分類錯誤(2.5)選出第z輪訓練中分類錯誤最小的弱決策樹dz(Fi)，并將其最小分類錯誤記為更新各個樣本的權值πz+1(Fi)，其中，(2.6)z＝z+1，歸一化樣本權重πz：判定z是否小于等于Z，當z小于等于Z時，轉(2.4)，當z大于Z時，轉(2.7)；(2.7)基于對正反比例樣本的分析，選出誤差最小的Z個弱決策樹，最終優化成一個強決策樹D(Fi)：當D(Fi)＝1時，強決策樹判斷樣本圖像Fi為人臉，否則判斷為非人臉；(2.8)經過一級一級的強決策樹的決策，輸出候選人臉區域圖像Fc。3.根據權利要求2所述的人臉自適應檢測與跟蹤方法，其特征在于，所述步驟(3)包括以下過程：(3.1)輸入所述步驟(2.8)輸出的候選人臉區域圖像Fc；(3.2)采用映射關系將所述候選人臉區域圖像Fc從RGB顏色空間轉換到YIQ顏色空間，獲得YIQ候選人臉區域彩色圖像；(3.3)提取所述YIQ候選人臉區域彩色圖像的各個像素點的色度分量信息I和Q；(3.4)依據置信區間對所述YIQ候選人臉區域彩色圖像進行二值化，將在置信區間內的像素的值置為1，為膚色像素，否則，置為0，為非膚色像素，得到膚色區域與非膚色區域；(3.5)剔除所述YIQ候選人臉區域彩色圖像中不含膚色像素點的區域，并輸出候選人臉的二值化圖像Fb。4.根據權利要求3所述的人臉自適應檢測與跟蹤方法，其特征在于，所述步驟(4)包括以下過程：(4.1)輸入所述二值化圖像Fb；(4.2)對所述二值化圖像Fb進行M次膨脹運算再進行N次腐蝕運算，還原受光...

【專利技術屬性】
技術研發人員：袁明新，華曉彬，張麗民，王彬彬，申燚，朱友帥，謝豐，
申請(專利權)人：江蘇科技大學，
類型：發明
國別省市：江蘇,32