基于嵌入式系统的人脸检测与跟踪方法技术方案

一种基于嵌入式系统的人脸检测与跟踪方法，包括以下步骤：图像预处理；人脸检测；和人脸跟踪。其中，图像预处理包括降采样和计算灰度积分图。在人脸检测步骤中首先采用肤色比例判决方法和眼睛灰度特征判决方法排除掉大量的非人脸窗口，然后对剩余的少量窗口用基于Ａｄａｂｏｏｓｔ算法的人脸分类器进行检测和定位。在跟踪步骤中，采用了简化的椭圆轮廓信息和颜色直方图信息联合的方法。本发明专利技术人脸检测与跟踪方法大大地减少人脸检测的运算量，能应用于数码相机、数码摄相机、手机等采用嵌入式系统的电子产品中。

【技术实现步骤摘要】

本专利技术涉及人脸检测与跟踪技术，特别是一种基于嵌入式系统的快速人脸检测与 实时跟踪方法。
技术介绍
人脸检测、识别问题的探索开始于八十年代末、九十年代初，许多国家展开了人脸 检测的研究。2001年Viola等人提出的基于Haar特征，使用Adaboost方法得到的瀑布型 分类器，采用了层级处理方法，大大提高了检测速度，被公认为近年来最好的正面人脸检测 方法。正面人脸检测问题在理论上已经基本得到解决。虽然人脸检测识别技术的研究已经取得长足进步，在基于PC的WINDOWS的成熟 通用平台下不需要过多考虑运算速度和数据存贮等技术瓶颈，也已经有了比较好的商业产 品。但在将该技术应用到数码相机、手机等消费类电子产品中仍有相当大的技术难点需要 克服。人脸检测、识别在PC或服务器中，理想的运行速度应该可以达到0. 1秒/循环，但是 脱离PC或服务器，把检测识别算法移植到嵌入式环境中，速度就会变成很大的问题。特别 是特征值比对，其速度跟人脸库的大小有关，随着库的指数级上升，其处理速度也是指数级 下降的。因此，有必要提供一种技术方案，可以实现在数码相机、手机等嵌入式系统中的人 脸检测与实时跟踪。
技术实现思路
本专利技术的目的是提供一种，使得人脸检测 与跟踪能应用于数码相机、数码摄相机、手机等采用嵌入式系统的电子产品中，解决嵌入式 系统因本身DSP处理速度慢、内存资源有限、平台开放性差等因素导致无法实现人脸检测 与跟踪的技术问题。本专利技术，包括以下步骤S1、图像预处理S11、对输入图像降采样；S12、计算降采样后图像的灰度积分图；S2、人脸检测S21、在预处理后的图像上进行肤色检测，标识出肤色区和非肤色区；S22、分别用不同尺度的搜索窗口按照一定间隔移动，遍历上述肤色分割后的图 像，利用肤色比例判决方法和眼睛灰度特征判决方法，从搜索到的窗口排除掉大量非人脸 窗口，然后用基于Adaboost算法的人脸分类器对剩下的窗口分类；S23、根据人脸分类器输出的人脸窗口，在图像上标识出人脸区域；S3、人脸跟踪S31、在步骤S2检测到的人脸区域内，分别计算颜色直方图和人脸椭圆轮廓，建立 跟踪模型；S32、在后续输入图像上确定搜索区域；S33、在步骤S32确定的搜索区域内进行窗口搜索，计算每个窗口的颜色直方图和 椭圆梯度，并与所述跟踪模型匹配，找出具有最佳颜色直方图和最佳椭圆梯度值的窗口，作 为目标人脸在该帧图像中的位置；S34、判断是否退出跟踪，如果不退出，转去执行步骤S32。由于在人脸检测步骤前对输入的每一帧图像进行了降采样和计算灰度积分图的 预处理，在人脸检测步骤中首先采用肤色比例判决方法和眼睛灰度特征判决方法排除掉了 大量的非人脸窗口，只有剩余的少量窗口用基于Adaboost算法的人脸分类器进行检测和 定位，因此大大地减少了人脸检测的运算量，使得本专利技术人脸检测与跟踪方法能应用于数 码相机、数码摄相机、手机等采用嵌入式系统的电子产品中。而且，本专利技术在跟踪步骤中，采用了简化的椭圆轮廓信息和颜色直方图信息联合 的方法，来综合考虑可能的人脸目标区域是否存在，在不降低跟踪速度的基础上提高了跟 踪精度。附图说明图1是本专利技术的原理框图；图2是其图像预处理流程图；图3是其人脸检测流程图；图4是其人脸跟踪流程图；图5是使用Adaboost算法的人脸检测流程图。具体实施例方式本专利技术针对嵌入式系统本身的特点及应用的局限性，如内存资源有限、DSP处理速 度慢、平台开放性差等，提出了一种，实现了数码相 机、手机等采用嵌入式系统的电子产品在各种复杂环境下进行多人脸的实时检测和快速跟S示ο为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用 于限定本专利技术。参照图1，本包括以下步骤S0、通过图像 传感器从外界实时获取每帧图像。Si、对每帧图像进行预处理。S2、对预处理后的图像进行 快速多人脸检测。S3、在稳定检测到人脸信息后，启动人脸跟踪模块，对人脸实时跟踪。参照图2，其中，图像预处理包括以下步骤S11、对图像降采样；S12、计算降采样 后图像的灰度积分图。通过图像降采样对输入图像进行降采样处理，输出分辨率为320x240 像素的图像和分辨率为160x120像素的图像。160x120像素的图像应用于0. 5米处的近距 离人脸检测，320x240像素的图像应用于中远距离(2. 5米)人脸检测。降采样处理主要是 为了减少运算量和运算时间，加快检测速度。由于人脸检测采用基于灰度图的检测，因此对 指定区域块中的灰度统计计算非常频繁，为减少计算时间，本专利技术采用了 2001年Viola等 人提出的灰度积分图概念，在人脸检测前，对降采样输出的图像计算灰度积分图。人脸检测时，由于对人脸的尺度大小无法预先判断，因此需要通过变化尺度来搜 索各种不同尺度下的人脸。具体方法如下参照图3，人脸检测包括以下步骤S21、在预处理后的图像上进行肤色检测，标识 出肤色区和非肤色区，实现肤色区域分割。S22、分别用不同尺度的搜索窗口按照一定间隔 (例如1像素)移动，遍历上述肤色分割后的图像，利用肤色比例判决方法和眼睛灰度特征 判决方法，从搜索到的窗口排除掉大量非人脸窗口，然后用基于Adaboost算法的人脸分类 器对剩下的窗口分类。S23、根据人脸分类器输出的人脸窗口，在图像上标识出人脸区域。人脸的肤色信息是人脸的重要特征，它不受人的表情、角度、姿态等因素的影响， 有很高的稳定性。而且肤色和大部分的背景颜色是有区别的，采用肤色模型检测人脸有很 高的鲁棒性。目前比较适用的肤色模型有RGB、YCBCR、HSV等。HSV模型中H表示色调信息， S为色彩的饱和度信息，V为色彩的亮度信息。由于HSV模型能较好地将亮度信息和色彩信 息分离开来，能一定程度抑制复杂环境光照的影响，因此，在步骤S21中，采用了 HSV肤色模 型来进行肤色分割，通过HSV肤色模型检测图像中可能的肤色区域，并标识“1”为肤色，“O” 为非肤色。步骤S22中，所述肤色比例判决方法包括以下步骤计算窗口中肤色像素所占比 例，将该比例与设定的人脸窗口阈值比较，小于人脸窗口阈值则判决该窗口为非人脸窗口。步骤S22中，所述眼睛灰度特征判决是利用人脸五官特征基本成比例的特点，结 合灰度积分图，在搜索窗口内先对人眼区域的灰度比例特征进行预判断，排除大量非人脸 窗口。具体的眼睛灰度特征判决方法包括以下步骤根据人脸五官具有相对固定的对称比 例关系和眼睛具有相对较低的灰度值的特征，利用先验知识建立一个人脸比例模板，将窗 口与所述人脸比例模板进行比例判断，是否存在成对的人眼区域有明显的灰度值下降，满 足设定的阈值条件则认为当前窗口是可能的人脸窗口。通过前面的粗检测(肤色比例判决和眼睛灰度特征判决)，已经排除了大量非人 脸区域，接下来要对剩余的相对少的区域进行人脸分类检测。采用基于特征的人脸检测算 法有很多，本专利技术结合嵌入式系统的特点，采用速度相对比较快的基于Adaboost算法的人 脸分类器检测人脸。Adaboost算法根据人脸面部的灰度分布特征，选择使用了 haar特征。 haar特征是一种基于积分图像的特征，主要在灰度图像中使用，该特征计算简单，本文档来自技高网...

【技术保护点】
一种基于嵌入式系统的人脸检测与跟踪方法，其特征在于包括以下步骤：Ｓ１、图像预处理Ｓ１１、对输入图像降采样；Ｓ１２、计算降采样后图像的灰度积分图；Ｓ２、人脸检测Ｓ２１、在预处理后的图像上进行肤色检测，标识出肤色区和非肤色区；Ｓ２２、分别用不同尺度的搜索窗口按照一定间隔移动，遍历上述肤色分割后的图像，利用肤色比例判决方法和眼睛灰度特征判决方法，从搜索到的窗口排除掉大量非人脸窗口，然后用基于Ａｄａｂｏｏｓｔ算法的人脸分类器对剩下的窗口分类；Ｓ２３、根据人脸分类器输出的人脸窗口，在图像上标识出人脸区域；Ｓ３、人脸跟踪Ｓ３１、在步骤Ｓ２检测到的人脸区域内，分别计算颜色直方图和人脸椭圆轮廓，建立跟踪模型；Ｓ３２、在后续输入图像上确定搜索区域；Ｓ３３、在步骤Ｓ３２确定的搜索区域内进行窗口搜索，计算每个窗口的颜色直方图和椭圆梯度，并与所述跟踪模型匹配，找出具有最佳颜色直方图和最佳椭圆梯度值的窗口，作为目标人脸在该帧图像中的位置；Ｓ３４、判断是否退出跟踪，如果不退出，转去执行步骤Ｓ３２。

【技术特征摘要】

【专利技术属性】
技术研发人员：张晓波，
申请(专利权)人：TCL数码科技深圳有限责任公司，
类型：发明
国别省市：94[中国|深圳]