人脸跟踪技术综述

在计算机视觉和人工智能领域,人脸跟踪是一个得到广泛关注的热点问题,具有较高的学术理论价值,同时也是在智能监控、机器人、人机交互等方面有着巨大的应用潜力。本文主要对人脸跟踪技术的进行了综合性论述,从人脸跟踪的概念涵义,国内外研究现状,实现方法,应用前景方面来进行阐述。本文对人脸跟踪技术学习人员和研究人员有着积极的指导意义。     

基于肤色信息的实时人脸跟踪方法

提出一种基于人脸检测与肤色信息相结合的人脸实时跟踪方法。该方法先用Adaboost算法进行人脸检测，在此基础上，CAMSHIFT算法跟据人脸肤色信息实现对人脸的自动跟踪。实验表明，该算法具有快速、鲁棒的特点，能够满足实时系统的需要。     

基于DM642的嵌入式人脸检测与追踪系统研究

分析了DM642的芯片和外围接口,提出了基于TI公司的DSP芯片-TMS320DM642的人脸检测追踪方法。首先采用了YUV模型在视频流中进行检测,得到肤色图像,然后求出各连通区域的外接矩形,通过脸部三角形的判断进行人脸确认。第一帧过后,采用了卡尔曼滤波进行了人脸追踪,减少了检测范围,提高了速度。     

李群彩色图像人脸跟踪

目前基于模板匹配的人脸跟踪算法并不能很好地应对人脸的多种变化。介绍了李群与肤色模型,在人脸的椭圆模型上结合李群仿射变换,获得了检测人脸的最佳椭圆,以应对人脸的不同姿态;并在该检测算法的基础上,结合肤色模型,解决了跟踪普遍存在的初值问题,给出了视频中人脸跟踪算法。实验结果表明,该算法可以很好地检测人脸,应对人脸的多种变化,并在跟踪过程中可以不断提高算法的适应能力。     

基于视频的运动人脸检测与跟踪算法研究

提出了一种自适应调整帧间时间差的方法来检测运动目标,并结合采用YCbCr空间及非线性分段色彩变换的肤色检测模型,对视频图像中的运动目标检测候选肤色区域,采用人脸的特征检测方法检测候选人脸区域.最后,根据在前后几帧中采用融合运动目标与肤色模型的人脸检测算法启动跟踪,获得初始运动信息,后继帧中提出一种新的运动区域预测与肤色边缘拟合椭圆匹配的算法,试验表明该算法实时、有效.     

基于Adaboost的快速人脸跟踪算法

针对复杂变化背景中的人脸跟踪问题,提出了一种基于Adaboost的人脸跟踪算法。该算法采用背景消除、肤色检测来提取可能包含 活动人脸的区域,用Adaboost算法做人脸验证,用Kalman滤波为运动模型实现对人脸的跟踪。实验表明,该算法具有快速、可靠的特点,速 度超过80fps,完全满足实时系统的需要。     

基于人脸检测的人脸跟踪算法

文章提出了一种基于人脸检测技术的人脸跟踪算法。该算法利用前一帧的人脸检测结果预测当前帧中人脸可能的尺度与位置范围,在限定的范围内采用模板匹配与人工神经网分类的方法定位人脸,从而实现快速而可靠的人脸跟踪。由于使用了人脸检测技术,该方法可以自动定位初始人脸。实验表明该方法在具有复杂、动态变化背景的图象序列中是很有效的,速度为5－11Hz,可用于实时性系统。     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题.针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型.以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等.     

压缩域人脸检测与跟踪技术

多媒体技术的迅猛发展要求对海量的信息数据进行有效的处理,压缩域图像/视频处理技术得到了广泛的关注,在压缩域开展人脸检测与跟踪技术的研究是这一领域的一种新动向,值得关注.笔者对这一课题提出的背景和研究现状进行了分析,并提出了该课题中有待解决的问题.     

人脸检测与跟踪技术综述

人脸检测和跟踪问题是计算机视觉领域的研究热点,本文对这一问题进行详细介绍。首先分析人脸检测和人脸跟踪问题解决的难点所在;其次介绍人脸检测和跟踪技术在视频监控、人机交互和信息安全等领域的广泛应用;最后,分析人脸检测的研究现状,在此基础上逐步分析任意环境中长期跟踪人脸问题的研究状况,并详细介绍TLD(Tracking-Learn-ing-Detection)跟踪框架。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

水下声自导武器目标跟踪方法研究

水下声自导武器采用主动方式检测、跟踪目标时,目标跟踪过程表现为一个动基座时变过程,难以直接运用卡尔曼滤波进行目标跟踪。利用水下声自导武器导航定位及航行姿态参数和水下声自导武器检测到的目标信息,通过坐标变换将目标坐标从水下声自导武器坐标系变换到大地坐标系解决了观测基座运动的问题,通过每次观测时间实时计算每次观测的采样时间解决了观测时变问题,建立了基于自适应衰减记忆卡尔曼滤波的水下声自导武器目标跟踪模型,给出了滤波初值选取的工程方法,仿真实验证明该模型正确,跟踪算法能够在10次观测内实现对目标的跟踪,具有较强的机动目标跟踪能力,算法收敛速度较快。     

基于粒子滤波的人脸跟踪算法

人物跟踪技术是目前智能监控系统的核心方法之一,针对人脸运动的非线性非高斯的特点,引入粒子滤波算法来进行运动预测估计,抵抗遮挡干扰。同时,根据人脸结构特点,提出了一种分块颜色直方图,用以描述人脸的特征。并且根据预测精度对预测过程中目标运动速度和过程噪声方差进行自适应更新。实验结果表明,在人脸的旋转,肤色和部分遮挡影响下跟踪精度较高,抵抗光照环境变化,以及人脸大小变化等的鲁棒性较强。     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

海上运动目标跟踪系统的设计

为实现对海上运动目标的实时跟踪,克服跟踪效果易受到严重遮挡影响的缺点,建立了一套实时跟踪系统,并且结合目标的运动信息与新的模型更新策略,对均值漂移与卡尔曼滤波器相结合的跟踪算法做出了改进.当运动船只被遮挡的比例较大时,先用估计出的目标速度矢量更新卡尔曼滤波器,并用相应的模型更新策略更新目标模型以提高模型相似性度量的精确性,再单独利用滤波器进行跟踪,取得了较好的跟踪效果.实验结果表明,该系统可以较好地实现海上运动目标的跟踪,并且改进后的算法具有良好的实时性和鲁棒性.     

一种快速多人脸跟踪算法

提出一个基于Mean Shift的实时多人脸跟踪算法。通过引入自适应目标跟踪窗口,改进了Mean Shift算法的目标连续跟踪性能;提出序贯跟踪法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息解决了相邻两帧中人脸的对应问题。为进一步提高整个算法的跟踪速度和鲁棒性,引入卡尔曼滤波器对目标进行预测。实验结果表明该算法具有很好的实时性和跟踪效果。     

固定场景下多目标运动检测与跟踪

提出了一种多目标运动检测与跟踪方法,先提出一种从有运动目标存在的视频序列中鲁棒获取背景帧的方法,随后根据当前帧和背景帧的亮度偏差及色度偏差值将图像二值化,并进行预处理,然后提出结合全局背景周期更新和局部背景更新的方法来提高检测效果.再通过卡尔曼滤波对多目标进行跟踪,利用颜色直方图和形状模型进行识别.实验结果表明,该方法具有较好的处理效果,满足实时系统的要求.     

精子多目标检测和跟踪算法的设计与实现

针对精子检测和计算机辅助的精子运动特征分析所存在的问题,分析了精子密度大、运动速度快等特点和实际应用中遇到的各种困难,比较了多种阈值分割和多目标跟踪的方法,设计了基于矩量保持和卡尔曼滤波的精子检测与跟踪算法.利用矩量保持法对精子图像进行阈值分割和卡尔曼滤波对精子运动目标进行预测.实验结果表明,该算法在检测时间和精确度上都有很大提高.