论文部分内容阅读
人脸具有唯一标识性、易获取性、无侵犯性等特点,利用视频分析对犯罪嫌疑人进行锁定和追踪已经成为重要的侦查手段。现有大多数人脸检测与跟踪算法在实际应用中存在角度适应性不高的问题,如倾角过大造成漏检,因此角度适应性是人脸检测与跟踪算法实际应用的关键环节,越来越受到研究学者的关注。本文主要研究多角度人脸检测与跟踪方法,包括人脸特征提取、多角度人脸检测和多角度人脸跟踪等技术,设计并实现了多角度人脸检测与跟踪软件。具体工作如下:在人脸特征提取方面,研究并实现了基于Haar-like、MB-LBP、HOG的人脸特征提取,并使用AdaBoost算法,通过训练大量正负样本,构造了三种特征级联的AdaBoost分类器。在多角度人脸检测方面,提出了一种基于多特征融合的多角度人脸检测方法。该方法融合Haar-like、MB-LBP、HOG这三种特征的分类器,通过区域分类、计算融合权重、加权投票、阈值判断输出人脸区域。仿真实验结果表明,该方法与基于单一特征方法相比,准确率更高且检测时间更短,检测正确率为92.63%,误捡率为3.15%。在多角度人脸跟踪方面,提出了基于多特征融合的Camshift多角度人脸跟踪方法和基于多特征融合的KCF多角度人脸跟踪方法。这两种方法均将基于多特征融合方法检测到的人脸作为跟踪算法的初始窗口,若出现跟踪目标丢失,再次利用多角度检测算法定位人脸区域,可以实现实时、自动跟踪。仿真实验结果表明,两种方法均能够跟踪摄像机实时获取视频序列的人脸,同时基于多特征融合的KCF多角度人脸跟踪方法在跟踪视频库视频序列时,中心距离误差达到8.49,重叠率为58.78%,跟踪时间为55.41 ms。在多角度人脸检测与跟踪软件设计与实现方面,在Visual Studio 2012开发平台上调用OpenCV函数库,利用Qt Creator 5.2.0设计界面,设计实现了多角度人脸检测与跟踪软件,包括“用户登录”、“训练AdaBoost”、“多角度人脸检测与跟踪”3个模块,具有限制用户权限、训练分类器、静态图片的多角度人脸检测、动态视频的多角度人脸跟踪等功能。