一种人脸检测与跟踪方法及装置制造方法及图纸

本发明专利技术提出一种人脸检测与跟踪方法及装置，其中该方法包括：输入人脸图像或视频；对所述人脸图像或视频进行光照预处理；利用AdaBoost算法进行人脸检测，确定人脸初始位置；以及利用MeanShift算法进行人脸跟踪。本发明专利技术的方法及装置，在图像预处理阶段，本发明专利技术提出自适应局部对比度增强方法来增强图像细节信息；在人脸检测阶段，采用AdaBoost算法，为了提高在不同光照下算法的鲁棒性，在训练样本中增加不同光照的人脸正样本，提高人脸检测的准确性；在人脸跟踪阶段，采用MeanShift跟踪算法，为了克服该算法使用颜色特征的单一性，融合梯度特征和局部二值模式LBP纹理特征，其中LBP纹理特征还考虑了利用LBP局部方差表示图像对比度信息的变化，提高了人脸检测和跟踪的准确性。

【技术实现步骤摘要】

本专利技术涉及模式识别和图像处理
，具体涉及一种人脸检测与跟踪方法及>J-U ρ α装直。
技术介绍
人脸检测与跟踪是两个相互独立又密不可分的问题。人脸检测是人脸跟踪实现的基础和前提，人脸跟踪又可以看作是在人脸检测的基础上进行的，两者相互关联。近几年来，随着网络的发展，视频中人脸检测与跟踪有着广泛的应用前景，比如说视频会议、远程教育、视频监控等。人脸检测的主要目的是把输入图像分成为两部分:人脸区域和非人脸区域。根据检测原理的不同，常用的人脸检测方法分为:基于人脸特征的检测方法和基于统计模型的检测方法。人脸包含颜色特征，轮廓特征，几何特征等丰富多样的特征信息。基于人脸特征的检测方法就是根据人脸已知的特征来进行检测。基于人脸特征的方法又可分为基于先验知识的方法、基于特征不变性的方法和基于模板匹配的方法。基于统计学习的方法作为一种整体属性的方法，是当今人脸检测算法的主流算法。总的来说，基于统计学习的方法是将人脸问题看作“人脸”与“非人脸”两种模式的分类问题，通过大量的人脸和非人脸样本建立一个分类器，它能够正确分辨这两种不同的图像模式，再利用训练好的分类器在待测图像中检测人脸。这类方法的优势是不再使用人脸的特征信息等先验知识，也无需设定模板参数等操作，避免了不精确或者不完整的知识造成的误判。在统计过程中采用了实例学习的方法获取模型参数，统计意义上更为可靠，同时它可以通过增加学习的实例扩充检测模型范围，使检测结果更具鲁棒性。基于统计学习的检测方法包括子空间方法，神经网络方法，支持向量机方法，隐马尔可 夫模型方法以及目前较新的AdaBoost学习法等。与人脸检测不同，人脸跟踪处理的是视频序列。人脸跟踪就是根据已定位的人脸，在后续图像序列中确定该人脸的运动轨迹及大小变化的过程。人脸跟踪研究是目标跟踪研究的一个分支，根据跟踪算法中所运用方法的侧重点的不同，我们将人脸跟踪方法大体上分为基于匹配的跟踪和基于运动特性的跟踪。基于匹配的跟踪算法根据提取目标的特征不同又可分为区域匹配跟踪、模型匹配跟踪和特征匹配跟踪。基于运动特性的跟踪又分为基于光流的跟踪和运动预测跟踪。目前的人脸检测及跟踪方法及系统中仍存在问题，例如光照变化、表情变化、遮挡等，这其中又以光照变化带来的干扰最为严重。在户外日光等不能控制光照的环境下，人脸特征受光照方向和光照强度的影响明显产生非线性变化，使人脸检测变得很困难。相同人脸在不同光照条件下的差别，有时比不同人脸在相同光照条件下的差别还要大。因此，提高人脸检测及跟踪系统对光照的鲁棒性，从学术和实际应用的角度都有非常重要的意义。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择为此，本专利技术的一个目的在于提出一种光照条件下鲁棒的人脸检测与跟踪方法。根据本专利技术实施例的人脸检测与跟踪方法，包括:S1:输入人脸图像或视频；S2:光照预处理；S3:利用AdaBoost算法进行人脸检测，确定人脸初始位置；以及S4:利用MeanShift算法进行人脸跟踪。可选地，所述步骤S2进一步包括:S21:计算每一帧图像的平均亮度值，将所述平均亮度值与预设的亮度阈值作比较，对过暗图像进行对数变换，对过亮图像进行指数变换；以及S22:对亮度变换后的图像计算梯度模，将所述梯度模的数值与预设的梯度模阈值作比较，对过小梯度值的图像区域进行局部细节调整，否则无需调整。可选地，所述步骤S3进一步包括:S31:离线地收集大量不同光照条件下的人脸正样本及非人脸负样本；S32:离线地利用所述人脸正样本及非人脸负样本训练分类器，其中，采用积分图的快速算法计算图像各个区域的像素和，用于计算设计好的不同Haar-Like特征值，利用AdaBoost算法挑选出分类能力强的特征作为弱分类器，计算出弱分类器阈值，再将挑选出的弱分类器组成一个强分类器，计算出强分类器阈值，最后将强分类器级联成一个多层分类器；以及S33:利用训练的分类器对输入图像或视频检测人脸，并将检测到的人脸位置作为人脸跟踪的初始位置。可选地，所述步骤S4进一步包括:S41:对输入的图像或视频所述分别计算梯度直方图、颜色直方图和纹理直方图；S42:将所述梯度直方图、颜色直方图和纹理直方图进行融合，获得目标融合直方图；S43:利用与步骤S41和步骤S42的方法计算候选区域的候选目标融合直方图；S44:计算所述目标融合直方图和所述候选目标融合直方图之间的相似度；S45:通过求最大相似度来获得目标的MeanShift向量,该向量使得目标从初始位置向最可能的候选目标位置不断迭代，并最终收敛到目标的真实位置，达到目标跟踪的目的。可选地，所述计算纹理直方图进一步包括:计算LBP描述子，统计局部二值模式特征；计算LBP方差描述子，统计局部对比度变化特征；以及利用融合策略，将局部二值模式特征和局部对比度变化特征有效融合，共同表示纹理特征。本专利技术的另一个目的在于提出一种光照条件下鲁棒的人脸检测与跟踪装置。根据本专利技术实施例的人脸检测与跟踪装置，包括:输入模块，所述输入模块用于输入人脸图像或视频；预处理模块，所述预处理模块对所述人脸图像或视频进行光照预处理；人脸检测模块，所述人脸检测模块利用AdaBoost算法进行人脸检测，确定人脸初始位置；以及人脸跟踪模块，所述人脸跟踪模块利用MeanShift算法进行人脸跟踪。可选地，所述预处理模块进一步包括:亮度修正模块，所述亮度修正模块首先计算每一帧图像的平均亮度值，然后将所述平均亮度值与预设的亮度阈值作比较，对过暗图像进行对数变换，对过亮图像进行指数变换；以及梯度修正模块，所述梯度修正模块首先对亮度变换后的图像计算梯度模，然后将所述梯度模的数值与预设的梯度模阈值作比较，对过小梯度值的图像区域进行局部细节调整，否则无需调整。可选地，所述人脸检测模块进一步包括:人脸样本库，所述人脸样本库存储有离线收集到的大量不同光照条件下的人脸正样本及非人脸负样本；分类器训练模块，所述分类器训练模块用于离线地利用所述人脸正样本及非人脸负样本训练分类器，其中，采用积分图的快速算法计算图像各个区域的像素和，用于计算设计好的不同Haar-Like特征值，利用AdaBoost算法挑选出分类能力强的特征作为弱分类器，计算出弱分类器阈值，再将挑选出的弱分类器组成一个强分类器，计算出强分类器阈值，最后将强分类器级联成一个多层分类器；以及所述分类器，所述分类器经过训练后对输入图像或视频检测人脸，并将检测到的人脸位置作为人脸跟踪的初始位置。可选地，所述人脸追踪模块进一步包括:梯度直方图计算模块、颜色直方图计算模块以及纹理直方图计算模块，用于计算输入的图像或视频的梯度直方图、颜色直方图和纹理直方图，以及计算候选区域的梯度直方图、颜色直方图和纹理直方图；直方图融合模块，所述直方图融合模块用于将所述梯度直方图、颜色直方图和纹理直方图进行融合，获得目标融合直方图和候选目标融合直方图；相似度计算模块，所述相似度计算模块计算所述目标融合直方图和所述候选目标融合直方图之间的相似度；以及迭代求解模块，所述迭代求解模块通过求最大相似度来获得目标的MeanShift向量,该向量使得目标从初始位置向最可能的候选目标位置不断迭代，并最终收敛到目标的真实位置，达到目标跟踪的目的。本文档来自技高网...

【技术保护点】
一种人脸检测与跟踪方法，其特征在于，包括以下步骤：S1：输入人脸图像或视频；S2：对所述人脸图像或视频进行光照预处理;S3:利用AdaBoost算法进行人脸检测，确定人脸初始位置；以及S4：利用MeanShift算法进行人脸跟踪。

【技术特征摘要】

【专利技术属性】
技术研发人员：王瑜，蔡强，张慧妍，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：