论文部分内容阅读
近些年来视频监控系统越来越普及,视频监控规模也越来越大,这对于安全防盗、异常告警、犯罪取证和刑事案件的侦破等具有卓越的效果。人脸检测与跟踪是视频监控系统中的关键技术,是计算机视觉领域热门的研究方向,具有重要的研究价值和广阔的市场前景。由于视频监控的环境比较复杂,会给人脸检测与跟踪带来困难。现有的人脸检测算法在复杂环境下的人脸检测效率和准确率较低,人脸跟踪算法在人脸跟踪过程中的实时性和鲁棒性较差,而且人脸容易跟踪丢失。本文对视频监控中的人脸检测和跟踪算法进行研究,对于提高视频监控中的人脸检测效率、准确率和人脸跟踪过程中的实时性和鲁棒性具有重要的意义。 为提高视频监控中的人脸检测效率和准确率以及人脸跟踪过程中的实时性和鲁棒性,本文提出了基于肤色分割与筛选的Adaboost人脸检测算法和基于Camshift聚类的粒子滤波人脸跟踪算法,并将算法应用到视频监控客户端中,实现了人脸检测与跟踪功能。本文主要工作有如下几点: 1.针对提高视频监控中人脸检测效率和准确率的问题,提出了一种基于肤色分割与筛选的Adaboost人脸检测算法。在选定色彩空间和肤色模型之后,利用肤色分割与筛选对人脸进行第一次检测,选出类似人脸区域;然后通过Adaboost算法训练人脸样本集,将通过肤色分割与筛选之后的类似人脸区域送入Adaboost算法的级联分类器中,再次检测人脸。此时Adaboost算法的级联分类器不需要对整个待检测图片进行搜索检测,只要对类似人脸区域进行检测,加快了级联分类器检测人脸的效率,提高了人脸检测准确率。实验结果表明:该算法在检测率和误检率等方面都有提升。 2.针对Camshift算法无法处理相似背景颜色干扰、背景复杂和传统粒子滤波人脸跟踪算法中的粒子退化、计算量大等问题,提出了一种基于Camshift聚类的粒子滤波人脸跟踪算法。在粒子滤波框架下,将Camshift算法中的聚类方法引入人脸状态估计中,使每个粒子沿着梯度最大方向迭代至局部密度最大值区域,让所有粒子移动到与人脸颜色相似的区域。实验结果表明:该算法用较少的粒子实现了人脸曲线无规则运动的跟踪,在光照和遮挡问题上有较好的鲁棒性。该算法性能明显优于传统的粒子滤波人脸跟踪算法,用于实现人脸跟踪具有很好的实时性、鲁棒性和有效性。 3.将本文提出的人脸检测与跟踪算法应用到Directshow框架中,在视频监控客户端中实现了人脸检测与跟踪功能。测试证明它对人脸检测有较高的检测效率和准确率,人脸跟踪也能达到实时处理的实际应用需求,对视频监控中后续人脸信息的处理和应用有非常重要的意义。