專利名稱：一種基于視頻的行人人臉檢測與跟蹤算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別技術(shù)領(lǐng)域，具體涉及一種利用運動物體檢測和跟蹤的方法進行基于視頻的行人人臉檢測與跟蹤的方法。

背景技術(shù)：
隨著視頻監(jiān)控在各大中城市的廣泛部署，對于監(jiān)控視頻的海量信息的智能處理也提上議事日程?；谝曨l的行人人臉檢測和跟蹤就是監(jiān)控視頻智能信息處理的一種，在社會治安和公安刑偵等方面有廣泛和重要的應(yīng)用。
目前，人臉檢測的算法大都基于圖像，而不是基于視頻。這些算法用一個窗口遍歷整個圖像，檢測窗口里是否包含人臉。為了適應(yīng)人臉大小的變化，這些算法要用大小不同的窗口反復(fù)遍歷圖像。因此，基于圖像的人臉檢測算法是一個時間復(fù)雜度很高的算法。把基于圖像的人臉檢測算法不加修改，直接應(yīng)用到視頻的各幀圖像，將無法滿足視頻處理實時性的要求，更何況在實際應(yīng)用中，人臉檢測之后往往是人臉識別。人臉識別算法也是一個時間復(fù)雜度很高的算法。因此，如果把人臉檢測算法與人臉識別算法的時間復(fù)雜度通盤考慮，則對人臉檢測算法實時性的要求將更為苛刻。
基于視頻的人臉跟蹤有重要的意義。首先，人臉跟蹤可以減少視頻相鄰各幀中人臉檢測的重復(fù)運算，從而大幅度減少整個算法的運算量；其次，人臉跟蹤可以應(yīng)用于圖像增強，提供清晰的人臉圖像；最后，人臉跟蹤可以提供人臉多個視角的信息，豐富人臉識別的依據(jù)。但是，基于視頻的人臉跟蹤困難很多，這是因為在視頻中，人臉的姿態(tài)、形狀和大小都在不斷變化，加之人臉在整個圖像中所占畫面比例很小以及遮擋、表情等因素，很難找到人臉的穩(wěn)定特征可以在視頻相繼各幀中貫穿始終。
本發(fā)明提出以種借助運動物體監(jiān)測和跟蹤的方法進行性人人臉監(jiān)測和跟蹤的算法，較好地解決了目前目前行人人臉檢測和跟蹤遇到的難題。


發(fā)明內(nèi)容
本發(fā)明提出一種利用運動物體檢測與跟蹤的算法進行行人人臉檢測與跟蹤的算法。這種算法是建立在視頻中人體的運動信息基礎(chǔ)上的，利用了人體運動的空間相關(guān)性和時間相關(guān)性的信息，具體內(nèi)容如下 1.把運動物體的檢測算法運用到行人人臉的檢測中(參見圖1、圖2) (1)運動區(qū)域的檢測對于一個給定的視頻圖像序列，一般采用差分固定背景來對當(dāng)前幀的目標(biāo)圖像減除背景，經(jīng)閾值化處理后，將圖像分割為運動區(qū)域和背景區(qū)域。
(2)運動物體(行人)的判別用根據(jù)人體測量數(shù)據(jù)構(gòu)建的二維人體模板對上述運動區(qū)域進行判別，確定該區(qū)域內(nèi)是否包含行人。
(3)人臉區(qū)域的判定在識別出運動人體區(qū)域之后，把運動人體重心以上四分之三的區(qū)域認為是人臉區(qū)域，把這部分區(qū)域標(biāo)記出來。通常，基于圖像的人臉區(qū)域判定是在整幅圖片上檢測人臉區(qū)域，而本發(fā)明基于運動分析的人臉區(qū)域判定僅僅只在運動區(qū)域上判定人臉區(qū)域，大大減小了搜索范圍，縮短了搜索時間。
(4)在人臉區(qū)域中進行人臉檢測將人體區(qū)域重新在原始圖像上進行定位，進行膚色分割和數(shù)學(xué)形態(tài)學(xué)處理，并排除那些過寬或過長或者長寬比過大過小的類膚色區(qū)域。最后利用平均臉模板匹配的方法來進行檢測，得到最終的人臉區(qū)域。
根據(jù)得到的粗檢測結(jié)果依次將候選人臉區(qū)域提取出來，進行一些灰度處理后使用人臉模板對待選人臉圖像窗口進行匹配，將滿足一定條件并達到匹配度閾值的圖像窗口作為人臉。
2.把運動物體的跟蹤算法運用到行人人臉的跟蹤中 本發(fā)明把運動物體的跟蹤算法運用到行人人臉的跟蹤上，運用已有的成熟的行人人體跟蹤算法來達到實時的人臉跟蹤的目的。主要利用了卡爾曼濾波器遞推線性最小方差估計的特點，具有估計快速準(zhǔn)確的優(yōu)點，具體分為以下兩大步驟 (1)通過跟蹤人體來跟蹤人臉根據(jù)從當(dāng)前幀中檢測得到的人體位置，利用卡爾曼濾波器對當(dāng)前幀中人體的位置、速度和加速度進行估計，同時利用這個估計值對人體在下一幀中的位置做出預(yù)測。當(dāng)對行人人體的跟蹤完成后，再次利用1中所述的行人人臉檢測方法在被跟蹤的人體上檢測出人臉，實現(xiàn)對行人人臉的跟蹤。本發(fā)明基于行人人體跟蹤的人臉跟蹤方法不僅克服了行人人臉目標(biāo)過小姿態(tài)變化過多等特點造成的跟蹤不利因素，而且縮小了每次跟蹤定位人臉時的搜索范圍，大大提高了跟蹤的速度。
(2)對其他區(qū)域的分析用上述基于運動物體檢測的人臉檢測方法對其余區(qū)域進行分析，判斷有無新的人臉出現(xiàn)。若有，則繼續(xù)用基于運動物體跟蹤的人臉跟蹤方法對其進行跟蹤。顯而易見，這時需要進行行人檢測的區(qū)域減小了，大大節(jié)省了運算量。
本發(fā)明的整個算法流程圖參見圖3。
本發(fā)明特點 本發(fā)明提出的算法構(gòu)造了一種行人人臉檢測和跟蹤的算法框架，在這個框架下，大部分運動物體檢測和跟蹤的算法都可以結(jié)合成為行人人臉檢測和跟蹤的算法。本發(fā)明提出的算法有兩個顯著的特點 (1)本發(fā)明提出的算法先找行人后找人臉，行人做為人臉區(qū)域定位的依據(jù)。由于行人的目標(biāo)比人臉的目標(biāo)大，加之有運動信息可資利用，因此，在視頻中找行人要比直接找人臉容易得多。
(2)本發(fā)明提出的算法通過跟蹤行人實現(xiàn)人臉的跟蹤。由于行人在行進中相對于攝像頭的位置會發(fā)生變化，頭部也會擺動或轉(zhuǎn)動，致使其臉部在視頻相繼各幀中形狀、大小、方向都會發(fā)生變化，加之表情和遮擋等因素，很難從人臉中提取穩(wěn)定的特征做為跟蹤的依據(jù)。相比之下，行人目標(biāo)較大，行人身上有較多穩(wěn)定的特征可以作為視頻相繼各幀中跟蹤的依據(jù)。



圖1、運動人體檢測流程圖 圖2、人臉檢測流程圖 圖3、本發(fā)明中整個算法的流程圖 具體實施方案 步驟1利用運動物體檢測來進行人臉檢測 利用運動物體的運動信息進行人臉檢測包括下面幾個步驟運動區(qū)域檢測，運動人體識別，膚色分割，數(shù)學(xué)形態(tài)學(xué)處理，類膚色區(qū)域濾除以及平均臉模板匹配，下面分別說明。
一、運動區(qū)域檢測 首先，對于給定的一個視頻中的圖像序列，本具體實施方案先用正交高斯厄米特矩(OGHMs)的方法檢測到運動區(qū)域，并把運動區(qū)域和背景區(qū)域分割開來。
正交高斯厄米特矩模板窗口大小為3，對應(yīng)的標(biāo)準(zhǔn)偏差為0.2。窗口大小為3時，基函數(shù)的取值域為[-0.9972，0.9972]。模板如下所示 一階模板 三階模板 五階模板 得到OGHMIs之后，并不能從中直接提取運動物體，必須對得到的圖像進行分割。同一幅圖像中處在同一個物體中的像素點有著很強的空間相關(guān)性，若僅僅簡單的設(shè)定閾值分割，會對這種相關(guān)性造成破壞，使分割的魯棒性降低。在分割方面，不變矩算法沒有考慮到物體的空間相關(guān)性，因此采取了J.Shen等(參考文獻[1]J.Shen.W.Shen，H.J.Sun.J.Y.Yang.Fuzzy Neural Nets with Non-Symmetric Membership Function andApplication in Signal Processing and Image Analysis.Signal Process，2000，80965-983.)提出了Non-symmetric membership函數(shù)得出OGHMIs下的membership函數(shù)(參考文獻[2]Youfu Wu，Jun Shen，Mo Dai.Traffic Object Detections and its Action Analysis.PattenRecognition Letters，2005.)，在此基礎(chǔ)上應(yīng)用Fuzzy relaxation算法(FRM)進行分割，從而保證了分割時物體各像素之間擁有較強的空間相關(guān)性。
Membership函數(shù)的表達式見式(1)
通過Non-symmetric membership函數(shù)，可推出GHMIs時的membership函數(shù)u，實現(xiàn)歸一化，見式(2)
u(M(x，y)；T，Mmin(x，y))可簡寫為u(x，y)。
得到membership函數(shù)u(x，y)后，通過FRM算法來提取運動物體。該算法是一種區(qū)域生長算法，有幾個關(guān)鍵步驟起始點的確定、區(qū)域生長方法、終止條件、干擾濾除。
A.起始點的確定 對圖像進行左上至右下的順序掃描，找出u(x，y)＝1的點作為起始點。
B.生長方法 以起始點為當(dāng)前點，搜尋其四鄰域的u(x′，y′)，若u(x′，y′)＞0.7，則令u(x′，y′)＝1，并將(x′，y′)作為種子點，繼續(xù)進行四鄰域搜索；否則u(x′，y′)＝0，不是運動模塊的點。
C.終止條件 當(dāng)所有種子點都搜索完畢之后，結(jié)束當(dāng)前運動快的搜索，繼續(xù)對圖像掃描，尋找新的起始點，重復(fù)上面步驟直到處理完全圖像。
D.干擾濾除 在進行區(qū)域生長的過程中，記錄屬于該運動區(qū)域的點的個數(shù)，當(dāng)該運動塊大小小于某一閾值T時，則作為干擾濾除，對應(yīng)的u(x，y)＝0。
通過FRM算法的搜索處理，再將圖像中二值化從而可以提取出運動物體。
提取出運動物體之后，可以采用一些優(yōu)化的方法，使獲得的目標(biāo)更加精確。本文采用計算圖像中運動塊與靜止塊的大小，并設(shè)定了對應(yīng)的閾值。
本具體實施方案中設(shè)定運動區(qū)域為白色，靜止區(qū)域為黑色，當(dāng)白色塊中黑色塊像素數(shù)目小于某個閾值時，認為這部分也是運動區(qū)域，設(shè)置為白色，這樣可以解決空洞問題；當(dāng)黑色塊中白色塊的數(shù)目小于某一個閾值的時候，認為這部分也是靜止區(qū)域，設(shè)置為白色，這樣可以消除背景的干擾問題。
二、運動人體識別 本具體實施方案中假設(shè)場景中的人體都處于直立狀態(tài)，直立狀態(tài)的人體與自然界中其它運動物體相比有一個非常特殊的特征，即人的高度、寬度比較大。在自然界中四肢行走的動物它的高度、寬度比較小。還有一些運動物體比如車輛等為了在運動時保持穩(wěn)定狀態(tài)，重心一般都較低，這樣它的高度、寬度比一也較小。對于特定的場景，我們還可以根據(jù)對場景的一些先驗知識來確定某些規(guī)則，通過它們來幫助識別人類的存在。比如說，對于已知的場景，人體面積有一個大體的范圍，通過檢驗連通區(qū)域的面積可以通過它幫助去掉某些噪聲區(qū)域。
面積這一特征值是通過計算二值化圖像中連通區(qū)域的像素個數(shù)來提取，根據(jù)特定場景中靠經(jīng)驗獲得的人體面積參數(shù)來設(shè)置閾值，然后進行閾值分割，小于該面積閾值的前景連通區(qū)域中的像素值被設(shè)置成背景像素值。
連通區(qū)域高寬比這一特征值是通過如下步驟獲得 A.搜索連通區(qū)域的第一個像素，記錄其橫坐標(biāo)和縱坐標(biāo)的值，正向搜索后續(xù)的像素，記錄其橫坐標(biāo)和縱坐標(biāo)的值，通過排序算法分別找出橫坐標(biāo)的最大值Xmax和最小值Xmin，以及縱坐標(biāo)的最大值Ymax和最小值Ymin。
B.獲得連通區(qū)域高度Hn＝(Ymax-Ymin)，寬度Wn＝(Xmax-Xmin)，(n為正向搜索時連通區(qū)域的編號，第一個搜索到的連通區(qū)域編號為n＝1)，存儲，n加1。
C.搜索下一個連通區(qū)域，轉(zhuǎn)步驟A，如沒有搜索到連通區(qū)域則退出。
本具體實施方案通過大量人體高度和寬度比值的試驗結(jié)果，得出在人體完全進入場景后，由于受人體手臂及腿部在行走是擺動幅度的影響，還有攝像頭拍攝的角度不同，他的高度、寬度比的范圍大體在1到5之間。在實際應(yīng)用中為了不漏掉人體，我們可以適當(dāng)放寬范圍尺度。
三、膚色分割 HSV空間中兩點之間距離與人眼視覺一致，而且其中H分量反映物體的色調(diào)信息，比較容易作彩色圖像分割處理。圖像中皮膚顏色的差異主要由光照引起，在檢測中只考慮色度信息，就可以減少光照的影響，因此可只用H(色調(diào))單獨來進行膚色的提取。
在本具體實施方案中，對于運動檢測之后確定的區(qū)域重新在原始圖像上進行定位，對這個區(qū)域內(nèi)的像素點按照公式(3)完成從RGB→HSV色彩空間的轉(zhuǎn)換。按照H的值判斷某個像素點是否屬于膚色，本具體實施方案中采取當(dāng)0.02＜H＜0.08時，認為這個像素點是屬于膚色的。
V＝max(R，G，B)
其中 Delt＝V-min(R，G，B)。
四、數(shù)學(xué)形態(tài)學(xué)處理 本具體實施方案中采取了腐蝕和膨脹的數(shù)學(xué)形態(tài)學(xué)處理方法來對上一步得到的區(qū)域進行處理。
腐蝕是消除物體的所有邊界點的一種過程，其結(jié)果是剩下的物體沿其周邊比原物體小一個像素的面積。如果物體任一點的寬度小于三個像素，那么它再該點將變?yōu)榉沁B通的(變?yōu)?個物體)。在任何方向上的寬度不大于2個像素的物體將被除去。腐蝕可以對從一幅分割圖像中除去小且無意義的物體來。
膨脹是將與某物體接觸的所有背景點合并到該物體的過程。過程的結(jié)果是使物體的面積增大了相應(yīng)數(shù)量的點。如果兩個物體在某一點相隔少于3個像素，它們將在該點連通取來(合并成一個物體)。膨脹可以填補分割后物體的空洞。
五、類膚色區(qū)域濾除 經(jīng)過基于數(shù)學(xué)形態(tài)學(xué)的濾波方法處理后，圖像中的小塊噪聲大多數(shù)被清除，但是背景中某些較小的類膚色區(qū)域仍存在。為了刪除假人臉區(qū)域，我們必須對這些區(qū)域進行分析和計算。首先把類膚色區(qū)域標(biāo)記出來，然后再利用人臉的長寬比符合一定比例這個特點來進行濾除，排除那些過寬或者過長或者長寬比過大過小的區(qū)域。
為了確定某一區(qū)域的長寬比，必須將該區(qū)域的長度L和寬度W分別求出。但是由于部分人臉可能存在一些旋轉(zhuǎn)傾斜，這使得無法直接利用該區(qū)域的左、右、上、下4個頂點的坐標(biāo)值(這里，采用的坐標(biāo)系是以圖像最左下角為原點，水平向右為x軸的正方向，垂直向上為Y軸的正方向)進行判斷。其詳細過程為統(tǒng)計該區(qū)域邊界上所有點的坐標(biāo)值，尋找x軸上具有最小、最大x分量的坐標(biāo)(Xmin，Xmax)，及Y軸上的最小、最大Y分量的坐標(biāo)(Ymin，Ymax)，L＝Xmax-Xmin、W＝Y(jié)max-Ymin值即為人臉的長寬(寬長)參數(shù)值。L與W的比值即為所求的區(qū)域長寬(或?qū)掗L)比。如果人臉為垂直正面，則該比值應(yīng)該接近于1.2，但是由于人臉存在旋轉(zhuǎn)，且膚色相似度分割可能造成人臉頭頸部作為同一個區(qū)域分割，故廠的上限可以適當(dāng)放大，以防止把正確的分割區(qū)域作為錯誤的判斷。本具體實施方案中，r的取值范圍為(0.5，2)，不屬于這個范圍的候選區(qū)域則直接刪除。
六、平均臉模板匹配 在選取的樣本圖像中手工裁剪出人臉的區(qū)域作為人臉樣本，將其尺度標(biāo)準(zhǔn)化到24×24，將所有樣本取灰度平均得到平均人臉圖像，并對平均人臉圖像進行灰度分布標(biāo)準(zhǔn)化后作為人臉模板。
為了適應(yīng)不同形狀的人臉，對原始模板分別按照1∶0.9、1∶1 、1∶1.1、1∶1.2的寬長比拉伸。
其中，灰度分布標(biāo)準(zhǔn)化是將圖像的灰度均值和方差變換為μ0＝128和σ0＝80。設(shè)圖像的灰度值矩陣為D[W][H](其中W，H分別為圖像的寬度和高度)，計算其均值、方差，并作如下變換 根據(jù)得到的粗檢測結(jié)果依次將候選人臉區(qū)域提取出來，轉(zhuǎn)變?yōu)榛叶葓D像，并對圖像進行灰度分布標(biāo)準(zhǔn)化。然后使用人臉模板對待選人臉圖像窗口進行匹配，將滿足一定條件并達到匹配度閾值的圖像窗口作為人臉。
匹配過程中采取以下的匹配準(zhǔn)則。假設(shè)人臉模板的灰度矩陣為T[M][N]，灰度均值與方差分別為μT和σT，待選人臉圖像區(qū)域的灰度矩陣為R[M][N]，灰度均值與方差分別為μR和σR，則它們之間的相關(guān)系數(shù)r(T，R)為 使用人臉模板進行匹配時，若相關(guān)系數(shù)r(T，R)超過門限值t(t＝0.6)，則認為通過了平均臉匹配篩選，被認為是人臉。
步驟2利用運動物體跟蹤算法進行人臉跟蹤 運動物體跟蹤的算法很多，本具體實施方案采用卡爾曼濾波器，但并不限于卡爾曼濾波器。
卡爾曼濾波器是一種遞推線性最小方差估計，具有估計快速準(zhǔn)確的優(yōu)點，在視頻行人的跟蹤上有著成熟的應(yīng)用。本具體實施方案使用卡爾曼濾波器對行人人體的運動狀態(tài)進行估計，根據(jù)估計出的運動狀態(tài)來跟蹤行人人體，在被跟蹤的行人人體上檢測出人臉，實現(xiàn)跟蹤行人人臉的目的，具體過程如下 一、行人人體進行跟蹤 A.離散卡爾曼濾波器 一個有確定性控制的，受系統(tǒng)噪聲驅(qū)動的動態(tài)系統(tǒng)的離散系統(tǒng)狀態(tài)方程可以寫為 X[k]＝AX[k-1]+BU[k]+W[k] 觀測系統(tǒng)的量測方程為 Z[k]＝HX[k]+V[k] 其中X[k]為系統(tǒng)在k時刻的狀態(tài)向量，U[k]為系統(tǒng)在k時刻的輸入向量，Z[k]為系統(tǒng)在k時刻的輸出向量，W[k]和V[k]為k時刻的噪聲向量，服從高斯分布，互相獨立。A、 B、H為系數(shù)矩陣。相應(yīng)的卡爾曼濾波基本方程為 狀態(tài)一步預(yù)測方程X[k/k-1]＝AX[k-1/k-1]+BU[k] 狀態(tài)估計X[k/k]＝AX[k/k-1]+Kg[k](Z[k]-HX[k/k-1]) 濾波增益陣 一步預(yù)測均方誤差陣P[k/k-1]＝AP[k-1/k-1]AT+Q 估計均方誤差陣P[k/k]＝(I-Kg[k]H)P[k/k-1] 根據(jù)應(yīng)用中的具體情況選取濾波初始值，然后就可以通過新得到的量測向量和上述遞推公式，對系統(tǒng)狀態(tài)進行卡爾曼濾波估計。
由圖3的離散型卡爾曼濾波流程可以看出卡爾曼濾波具有增益計算回路和濾波計算回路兩個計算回路。其中增益計算回路是獨立的，而濾波計算回路依賴于增益計算回路。在一個周期中存在時間更新過程和量測更新過程兩個更新過程。如果已知k-1時刻對k時刻的預(yù)測狀態(tài)估計值和k時刻的量測值，以及k-1時刻的一步預(yù)測均方誤差陣，就可以求出k時刻狀態(tài)向量的最優(yōu)估計值，并可以預(yù)測k+1時刻系統(tǒng)的狀態(tài)估計值和量測值。
B.行人人體模型的建立 選用步驟1中找到的人體重心作為特征點，這是因為人體的形狀是對稱的，人體的重心會沿著人體的運動方向穩(wěn)定的平移，不受人體自運動的約束，避免了人體形狀周期性變化所造成的影響。為了減小計算復(fù)雜度，為每個人體設(shè)置了兩個卡爾曼濾波器分別用于估計人體重心在X方向上和Y方向上的運動狀態(tài)。
人體的運動狀態(tài)可以由向量X＝(sx，vx，ax，sy，vy，ay)T表示，其中sx、vx、ax分別表示人體重心在X方向上的位移、速度、加速度，sy、vy、ay分別表示人體重心在Y方向上的位移、速度、加速度。由于每個人體都使用兩個卡爾曼濾波器分別對他的重心X方向、Y方向的運動狀態(tài)進行估計，所以可以把向量X分解為兩個向量Xx＝(sx，vx，ax)T和Xy＝(sy，vy，ay)T分別表示他重心在X方向和Y方向上的運動狀態(tài)，這兩個方向上人體的運動是相互獨立的，處理方法也是相同的，所以這里只對X方向的處理做一闡述。
人體重心運動狀態(tài)的系統(tǒng)方程為 式中sx[k]表示第k幀時人體重心X方向的位移，vx[k]表示第k幀時人體重心X方向的速度，ax[k]表示第k幀時人體重心X方向的加速度，ΔT表示時間間隔，把上式寫成矩陣形式為 式中，W[k]表示噪聲。
在實際應(yīng)用中，只能觀測人體重心在圖像中的位移，無法直接觀測速度和加速度，所以量測方程為 其中H＝(100)，可以把量測噪聲Vx[k]看作是白噪聲。
由上可見，系統(tǒng)的狀態(tài)方程和量測方程的形式與標(biāo)準(zhǔn)卡爾曼濾波器的狀態(tài)方程和量測方程形式相同，所以可以用離散性卡爾曼濾波基本方程對系統(tǒng)的狀態(tài)進行估計。來跟蹤視頻行人人體。
C.對行人人體進行跟蹤 為步驟1中利用運動物體檢測方法得到的行人人體初始化兩個卡爾曼濾波器，分別用來對這個行人人體重心的X方向和Y方向的運動狀態(tài)進行估計。由于卡爾曼濾波器使用的是遞推的估計方法，所以只要給定濾波方程的初始狀態(tài)和初始估計均方誤差陣，就可以利用當(dāng)前的量測值得到系統(tǒng)狀態(tài)的估計值，本具體實施方案使用第一次得到的量測值對行人人體的系統(tǒng)狀態(tài)向量進行初始化 式中zx
和zy
是人體重心的X和Y方向的量測值。兩個卡爾曼濾波器的估計均方誤差的初始值都設(shè)置為 這樣就可以通過卡爾曼濾波器根據(jù)當(dāng)前的量測值，對人體重心X方向和Y方向的位移、速度、加速度進行估計，根據(jù)濾波方程對人體重心在下一幀中的位移、速度、加速度進行預(yù)測。如果預(yù)測得到的人體重心落在下一幀中檢測到的某個行人人體的跟蹤窗口內(nèi)，那么就認為上一幀中的人體和這個人體相匹配，然后根據(jù)新得到的量測值對系統(tǒng)狀態(tài)進行更新。
二、在被跟蹤的行人人體上定位人臉 在被跟蹤的運動人體上利用步驟1中的人臉檢測方法檢測人臉并用紅色矩形框標(biāo)示出來。由于本具體實施方案基于運動分析的人臉檢測僅僅只在運動人體重心以上四分之三的區(qū)域里定位人臉，大大減小了搜索范圍，縮短了算法的運行時間，使人臉檢測與人體跟蹤幾乎是實時的同步進行，從而達到準(zhǔn)確的跟蹤行人人臉的目的。
三、對其他區(qū)域進行分析 用步驟1中基于運動物體檢測的人臉檢測方法對其余區(qū)域進行分析，判斷有無新的人臉出現(xiàn)。若有，則繼續(xù)用基于運動物體跟蹤的人臉跟蹤方法對其進行跟蹤。顯然，這時需要進行行人人臉檢測的區(qū)域明顯減小了，節(jié)省了運算量。
權(quán)利要求
1.本發(fā)明提出一種基于視頻的行人人臉檢測與跟蹤的算法，其特征在于利用運動物體檢測的算法和運動物體跟蹤的算法進行行人人臉的檢測與跟蹤。
2.如權(quán)利1所述，把運動物體的檢測算法運用到行人人臉的檢測中對于給定的一個視頻中的圖像序列，先用運動檢測的方法得到運動區(qū)域，并把運動區(qū)域和背景區(qū)域分割開來，對運動檢測得到的運動區(qū)域進行運動人體的識別，人臉區(qū)域一定是位于運動人體的重心以上區(qū)域的，把這部分區(qū)域標(biāo)記出來，重新在原始圖像上進行定位，然后在這個區(qū)域內(nèi)進行人臉檢測。
3.如權(quán)利要求1所述，利用運動物體的跟蹤算法來進行行人人臉的跟蹤運動人體相對于人臉而言目標(biāo)較大，較易跟蹤，利用運動物體跟蹤的算法對權(quán)力2所述檢測得到的運動人體進行跟蹤，再用權(quán)力1中的人臉檢測方法在被跟蹤的運動人體上進行人臉檢測，克服了人臉姿態(tài)變化對跟蹤造成的不利影響，從而達到跟蹤人臉的目的。
全文摘要
本發(fā)明提出一種利用運動物體檢測和運動物體跟蹤的算法進行視頻的行人人臉檢測與跟蹤，屬于模式識別技術(shù)領(lǐng)域。本發(fā)明由基于運動物體檢測的行人人臉檢測算法與基于運動物體跟蹤的行人人臉跟蹤算法兩大部分組成。本發(fā)明提出一種基于運動物體檢測的行人人臉檢測算法。這種算法首先利用運動分析的方法檢測行人，然后計算人體重心并根據(jù)人體重心確定人臉區(qū)域，最后利用膚色模型和模板匹配的方法在人臉區(qū)域中檢測人臉。本發(fā)明提出一種基于運動物體跟蹤的行人人臉跟蹤算法。這種算法通過跟蹤行人來跟蹤行人的人臉，從而有效地避免了行人人臉的擺動、轉(zhuǎn)動、表情、遮擋等因素對人臉跟蹤的影響。
文檔編號G06K9/00GK101216885SQ20081002561
公開日2008年7月9日 申請日期2008年1月4日 優(yōu)先權(quán)日2008年1月4日
發(fā)明者馬爭鳴, 丁曉宇, 袁紅梅 申請人:中山大學(xué)