论文部分内容阅读
视频人脸的检测与跟踪是计算机视觉与模式识别领域中一个核心课题，在视频监控、人机交互、视频会议、身份认证以及多媒体领域等方面有着广泛的应用价值。视频中人脸的处理主要分为三个步骤：人脸检测、人脸跟踪、人脸识别。人脸检测与跟踪往往由于复杂的背景环境和外界光照的变化以及复杂的人脸姿态而变得更加困难。该文针对如何有效的解决以上问题及提高跟踪的鲁棒性和精确性做了重点研究。该文主要研究的是复杂背景中人脸的检测与实时跟踪。在动态图像中实时提取人脸轮廓需要解决如下两方面问题：(1)如何在具有复杂的连续图像中实时检测到人脸区域；(2)如何能够在后续运动图像中跟踪人脸轮廓。针对这些问题，该文提出了把肤色模型和差分运动模型相结合以提取人脸轮廓的初始位置，然后用Level Set及GVF Snake两种不同的主动轮廓模型算法分别对人脸的精确位置提取，并对这两种方法的优劣进行比较。为了提高动态图像序列中人脸轮廓跟踪时跟踪算法的实时性，同时解决人脸跟踪中的遮挡问题，提出以灰色模型GM(1,1)算法进行人脸轮廓的实时跟踪。根据人脸轮廓运动的整体性，利用GM(1,1)模型预测人脸轮廓质心的位移，从而估计出人脸轮廓线的运动规律，以此作为主动轮廓模型算法的迭代依据，同时主动轮廓模型算法提取人脸轮廓的质心作为下一帧图像GM(1,1)模型的预测依据。随后，该文又针对图像序列中人脸轮廓跟踪时GVF Snake算法对人脸从远到近变化时不能提取到精确边缘、GVF Snake模型难以解决的深凹陷的问题以及为了更好解决遮挡问题，提出了改进GVF Snake与Mean Shift相结合的人脸轮廓提取方法。该方法首先利用Mean Shift跟踪得到初始人脸区域，然后采用改进的GVF Snake算法将人脸轮廓精确地提取出来，从而有效解决GVF Snake算法初始化和不能迭代进入深凹陷问题。在遇到遮挡时，该文利用Mean Shift及GM(1,1)能有效的解决。实验结果表明，该算法在静态与动态场景下均能实现精确跟踪，对目标的不规则运动和严重遮挡具有较强的鲁棒性。