專利名稱：一種人臉檢測與跟蹤方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別和圖像處理技術(shù)領(lǐng)域，具體涉及一種人臉檢測與跟蹤方法及
>J-U ρ α裝直。
背景技術(shù)：
人臉檢測與跟蹤是兩個相互獨(dú)立又密不可分的問題。人臉檢測是人臉跟蹤實(shí)現(xiàn)的基礎(chǔ)和前提，人臉跟蹤又可以看作是在人臉檢測的基礎(chǔ)上進(jìn)行的，兩者相互關(guān)聯(lián)。近幾年來，隨著網(wǎng)絡(luò)的發(fā)展，視頻中人臉檢測與跟蹤有著廣泛的應(yīng)用前景，比如說視頻會議、遠(yuǎn)程教育、視頻監(jiān)控等。人臉檢測的主要目的是把輸入圖像分成為兩部分:人臉區(qū)域和非人臉區(qū)域。根據(jù)檢測原理的不同，常用的人臉檢測方法分為:基于人臉特征的檢測方法和基于統(tǒng)計模型的檢測方法。人臉包含顏色特征，輪廓特征，幾何特征等豐富多樣的特征信息?；谌四樚卣鞯臋z測方法就是根據(jù)人臉已知的特征來進(jìn)行檢測?；谌四樚卣鞯姆椒ㄓ挚煞譃榛谙闰?yàn)知識的方法、基于特征不變性的方法和基于模板匹配的方法。基于統(tǒng)計學(xué)習(xí)的方法作為一種整體屬性的方法，是當(dāng)今人臉檢測算法的主流算法。總的來說，基于統(tǒng)計學(xué)習(xí)的方法是將人臉問題看作“人臉”與“非人臉”兩種模式的分類問題，通過大量的人臉和非人臉樣本建立一個分類器，它能夠正確分辨這兩種不同的圖像模式，再利用訓(xùn)練好的分類器在待測圖像中檢測人臉。這類方法的優(yōu)勢是不再使用人臉的特征信息等先驗(yàn)知識，也無需設(shè)定模板參數(shù)等操作，避免了不精確或者不完整的知識造成的誤判。在統(tǒng)計過程中采用了實(shí)例學(xué)習(xí)的方法獲取模型參數(shù)，統(tǒng)計意義上更為可靠，同時它可以通過增加學(xué)習(xí)的實(shí)例擴(kuò)充檢測模型范圍，使檢測結(jié)果更具魯棒性?；诮y(tǒng)計學(xué)習(xí)的檢測方法包括子空間方法，神經(jīng)網(wǎng)絡(luò)方法，支持向量機(jī)方法，隱馬爾可 夫模型方法以及目前較新的AdaBoost學(xué)習(xí)法等。與人臉檢測不同，人臉跟蹤處理的是視頻序列。人臉跟蹤就是根據(jù)已定位的人臉，在后續(xù)圖像序列中確定該人臉的運(yùn)動軌跡及大小變化的過程。人臉跟蹤研究是目標(biāo)跟蹤研究的一個分支，根據(jù)跟蹤算法中所運(yùn)用方法的側(cè)重點(diǎn)的不同，我們將人臉跟蹤方法大體上分為基于匹配的跟蹤和基于運(yùn)動特性的跟蹤?；谄ヅ涞母櫵惴ǜ鶕?jù)提取目標(biāo)的特征不同又可分為區(qū)域匹配跟蹤、模型匹配跟蹤和特征匹配跟蹤?；谶\(yùn)動特性的跟蹤又分為基于光流的跟蹤和運(yùn)動預(yù)測跟蹤。目前的人臉檢測及跟蹤方法及系統(tǒng)中仍存在問題，例如光照變化、表情變化、遮擋等，這其中又以光照變化帶來的干擾最為嚴(yán)重。在戶外日光等不能控制光照的環(huán)境下，人臉特征受光照方向和光照強(qiáng)度的影響明顯產(chǎn)生非線性變化，使人臉檢測變得很困難。相同人臉在不同光照條件下的差別，有時比不同人臉在相同光照條件下的差別還要大。因此，提高人臉檢測及跟蹤系統(tǒng)對光照的魯棒性，從學(xué)術(shù)和實(shí)際應(yīng)用的角度都有非常重要的意義。

發(fā)明內(nèi)容
本發(fā)明旨在至少在一定程度上解決上述技術(shù)問題之一或至少提供一種有用的商業(yè)選擇為此，本發(fā)明的一個目的在于提出一種光照條件下魯棒的人臉檢測與跟蹤方法。根據(jù)本發(fā)明實(shí)施例的人臉檢測與跟蹤方法，包括:S1:輸入人臉圖像或視頻；S2:光照預(yù)處理；S3:利用AdaBoost算法進(jìn)行人臉檢測，確定人臉初始位置；以及S4:利用MeanShift算法進(jìn)行人臉跟蹤。可選地，所述步驟S2進(jìn)一步包括:S21:計算每一幀圖像的平均亮度值，將所述平均亮度值與預(yù)設(shè)的亮度閾值作比較，對過暗圖像進(jìn)行對數(shù)變換，對過亮圖像進(jìn)行指數(shù)變換；以及S22:對亮度變換后的圖像計算梯度模，將所述梯度模的數(shù)值與預(yù)設(shè)的梯度模閾值作比較，對過小梯度值的圖像區(qū)域進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整。可選地，所述步驟S3進(jìn)一步包括:S31:離線地收集大量不同光照條件下的人臉正樣本及非人臉負(fù)樣本；S32:離線地利用所述人臉正樣本及非人臉負(fù)樣本訓(xùn)練分類器，其中，采用積分圖的快速算法計算圖像各個區(qū)域的像素和，用于計算設(shè)計好的不同Haar-Like特征值，利用AdaBoost算法挑選出分類能力強(qiáng)的特征作為弱分類器，計算出弱分類器閾值，再將挑選出的弱分類器組成一個強(qiáng)分類器，計算出強(qiáng)分類器閾值，最后將強(qiáng)分類器級聯(lián)成一個多層分類器；以及S33:利用訓(xùn)練的分類器對輸入圖像或視頻檢測人臉，并將檢測到的人臉位置作為人臉跟蹤的初始位置?？蛇x地，所述步驟S4進(jìn)一步包括:S41:對輸入的圖像或視頻所述分別計算梯度直方圖、顏色直方圖和紋理直方圖；S42:將所述梯度直方圖、顏色直方圖和紋理直方圖進(jìn)行融合，獲得目標(biāo)融合直方圖；S43:利用與步驟S41和步驟S42的方法計算候選區(qū)域的候選目標(biāo)融合直方圖；S44:計算所述目標(biāo)融合直方圖和所述候選目標(biāo)融合直方圖之間的相似度；S45:通過求最大相似度來獲得目標(biāo)的MeanShift向量,該向量使得目標(biāo)從初始位置向最可能的候選目標(biāo)位置不斷迭代，并最終收斂到目標(biāo)的真實(shí)位置，達(dá)到目標(biāo)跟蹤的目的?？蛇x地，所述計算紋理直方圖進(jìn)一步包括:計算LBP描述子，統(tǒng)計局部二值模式特征；計算LBP方差描述子，統(tǒng)計局部對比度變化特征；以及利用融合策略，將局部二值模式特征和局部對比度變化特征有效融合，共同表示紋理特征。本發(fā)明的另一個目的在于提出一種光照條件下魯棒的人臉檢測與跟蹤裝置。根據(jù)本發(fā)明實(shí)施例的人臉檢測與跟蹤裝置，包括:輸入模塊，所述輸入模塊用于輸入人臉圖像或視頻；預(yù)處理模塊，所述預(yù)處理模塊對所述人臉圖像或視頻進(jìn)行光照預(yù)處理；人臉檢測模塊，所述人臉檢測模塊利用AdaBoost算法進(jìn)行人臉檢測，確定人臉初始位置；以及人臉跟蹤模塊，所述人臉跟蹤模塊利用MeanShift算法進(jìn)行人臉跟蹤?？蛇x地，所述預(yù)處理模塊進(jìn)一步包括:亮度修正模塊，所述亮度修正模塊首先計算每一幀圖像的平均亮度值，然后將所述平均亮度值與預(yù)設(shè)的亮度閾值作比較，對過暗圖像進(jìn)行對數(shù)變換，對過亮圖像進(jìn)行指數(shù)變換；以及梯度修正模塊，所述梯度修正模塊首先對亮度變換后的圖像計算梯度模，然后將所述梯度模的數(shù)值與預(yù)設(shè)的梯度模閾值作比較，對過小梯度值的圖像區(qū)域進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整?？蛇x地，所述人臉檢測模塊進(jìn)一步包括:人臉樣本庫，所述人臉樣本庫存儲有離線收集到的大量不同光照條件下的人臉正樣本及非人臉負(fù)樣本；分類器訓(xùn)練模塊，所述分類器訓(xùn)練模塊用于離線地利用所述人臉正樣本及非人臉負(fù)樣本訓(xùn)練分類器，其中，采用積分圖的快速算法計算圖像各個區(qū)域的像素和，用于計算設(shè)計好的不同Haar-Like特征值，利用AdaBoost算法挑選出分類能力強(qiáng)的特征作為弱分類器，計算出弱分類器閾值，再將挑選出的弱分類器組成一個強(qiáng)分類器，計算出強(qiáng)分類器閾值，最后將強(qiáng)分類器級聯(lián)成一個多層分類器；以及所述分類器，所述分類器經(jīng)過訓(xùn)練后對輸入圖像或視頻檢測人臉，并將檢測到的人臉位置作為人臉跟蹤的初始位置?？蛇x地，所述人臉追蹤模塊進(jìn)一步包括:梯度直方圖計算模塊、顏色直方圖計算模塊以及紋理直方圖計算模塊，用于計算輸入的圖像或視頻的梯度直方圖、顏色直方圖和紋理直方圖，以及計算候選區(qū)域的梯度直方圖、顏色直方圖和紋理直方圖；直方圖融合模塊，所述直方圖融合模塊用于將所述梯度直方圖、顏色直方圖和紋理直方圖進(jìn)行融合，獲得目標(biāo)融合直方圖和候選目標(biāo)融合直方圖；相似度計算模塊，所述相似度計算模塊計算所述目標(biāo)融合直方圖和所述候選目標(biāo)融合直方圖之間的相似度；以及迭代求解模塊，所述迭代求解模塊通過求最大相似度來獲得目標(biāo)的MeanShift向量,該向量使得目標(biāo)從初始位置向最可能的候選目標(biāo)位置不斷迭代，并最終收斂到目標(biāo)的真實(shí)位置，達(dá)到目標(biāo)跟蹤的目的?？蛇x地，所述紋理直方圖計算模塊進(jìn)一步包括:LBP計算模塊，用于計算LBP描述子，統(tǒng)計局部二值模式特征；LBP方差計算模塊，用于計算LBP方差描述子，統(tǒng)計局部對比度變化特征；以及紋理特征融合模塊，用于利用融合策略，將局部二值模式特征和局部對比度變化特征有效融合，共同表示紋理特征。根據(jù)本發(fā)明實(shí)施例的人臉檢測與跟蹤方法及裝置，具有以下優(yōu)點(diǎn):(I)針對強(qiáng)光和背光等不同的光照條件下人臉檢測效果變差的情況，提出使用對數(shù)變換或指數(shù)變換對圖像進(jìn)行光照補(bǔ)償，同時利用梯度模值作為判別閾值，對圖像信息損失處進(jìn)行局部對比度增強(qiáng)。該算法用對數(shù)函數(shù)作為基函數(shù)，使變換后的圖像更加符合人類的視覺特點(diǎn)。引入自適應(yīng)局部對比度增強(qiáng)算法來增強(qiáng)圖像細(xì)節(jié)，使變換后的圖像更清晰。(2)針對LBP算子的特征提取過程忽略了灰度值強(qiáng)度變化的問題，提出了利用LBP局部對比度信息和傳統(tǒng)局部二值模式相結(jié)合的方法共同表示人臉紋理特征，使人臉紋理特征更加豐富。(3)將紋理特征和梯度特征集成到傳統(tǒng)基于顏色的Meanshift跟蹤算法中，把目標(biāo)的顏色特征和紋理特征、梯度特征結(jié)合起來，充分利用了目標(biāo)的特征信息，可有效解決傳統(tǒng)Meanshift算法易受光照強(qiáng)度影響的問題。本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。


本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解，其中:圖1是本發(fā)明實(shí)施例的人臉檢測與跟蹤方法的流程框圖；圖2是本發(fā)明實(shí)施例的人臉檢測與跟蹤方法的光照預(yù)處理步驟的流程框圖；圖3是本發(fā)明實(shí)施例的人臉檢測與跟蹤方法的AdaBoost人臉檢測步驟的流程框圖；圖4是本發(fā)明實(shí)施例的人臉檢測與跟蹤方法的MeanShift人臉跟蹤步驟的流程框圖5是本發(fā)明實(shí)施例的人臉檢測與跟蹤裝置的結(jié)構(gòu)示意圖；圖6是本發(fā)明實(shí)施例的人臉檢測與跟蹤裝置的預(yù)處理模塊的結(jié)構(gòu)示意圖；圖7是本發(fā)明實(shí)施例的人臉檢測與跟蹤裝置的人臉檢測模塊的結(jié)構(gòu)示意圖；圖8是本發(fā)明實(shí)施例的人臉檢測與跟蹤裝置的人臉跟蹤模塊的結(jié)構(gòu)示意圖。
具體實(shí)施例方式下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。在本發(fā)明的描述中，需要理解的是，術(shù)語“中心”、“縱向”、“橫向”、“長度”、“寬度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底” “內(nèi)”、“外”、“順時針”、“逆時針”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括一個或者更多個該特征。在本發(fā)明的描述中，“多個”的含義是兩個或兩個以上，除非另有明確具體的限定。在本發(fā)明中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”、“固定”等術(shù)語應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。在本發(fā)明中，除非另有明確的規(guī)定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接觸，也可以包括第一和第二特征不是直接接觸而是通過它們之間的另外的特征接觸。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或僅僅表示第一特征水平高度小于第二特征。下面將參照附圖來說明本發(fā)明的人臉檢測及跟蹤方法。如圖1所示，本發(fā)明實(shí)施例的人臉檢測與跟蹤方法可以包括如下步驟:S1:輸入人臉圖像或視頻。S2:對人臉圖像或視頻進(jìn)行光照預(yù)處理。具體地，如圖2所示，進(jìn)一步包括:S21:計算每一幅圖像的平均亮度值，對于灰度圖像，亮度值即為灰度值，對于彩色圖像來說，亮度值即為HSI顏色空間中的亮度值，然后將平均亮度值與預(yù)設(shè)的亮度閾值作比較，對過暗圖像進(jìn)行對數(shù)變換，對過亮圖像進(jìn)行指數(shù)變換；以及S22:對亮度變換后的圖像計算梯度模，將梯度模的數(shù)值與預(yù)設(shè)的梯度模閾值作比較，對過小梯度值的圖像區(qū)域進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整。其中，步驟S22中對變換后圖像計算梯度模，判斷梯度模的數(shù)值是否小于一定閾值，如果小于，進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整。具體公式如下:
權(quán)利要求
1.一種人臉檢測與跟蹤方法，其特征在于，包括以下步驟: 51:輸入人臉圖像或視頻； 52:對所述人臉圖像或視頻進(jìn)行光照預(yù)處理； S3:利用AdaBoost算法進(jìn)行人臉檢測，確定人臉初始位置；以及 S4:利用MeanShift算法進(jìn)彳了人臉跟蹤。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟S2進(jìn)一步包括: S21:計算每一幀圖像的平均亮度值，將所述平均亮度值與預(yù)設(shè)的亮度閾值作比較，對過暗圖像進(jìn)行對數(shù)變換，對過亮圖像進(jìn)行指數(shù)變換；以及 S22:對亮度變換后的圖像計算梯度模，將所述梯度模的數(shù)值與預(yù)設(shè)的梯度模閾值作比較，對過小梯度值的圖像區(qū)域進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整。
3.如權(quán)利要求1所述的方法，其特征在于，所述步驟S3進(jìn)一步包括: 531:離線地收集大量不同光照條件下的人臉正樣本及非人臉負(fù)樣本； 532:離線地利用所述人臉正樣本及非人臉負(fù)樣本訓(xùn)練分類器，其中，采用積分圖的快速算法計算圖像各個區(qū)域的像素和，用于計算設(shè)計好的不同Haar-Like特征值，利用AdaBoost算法挑選出分類能力強(qiáng)的特征作為弱分類器，計算出弱分類器閾值，再將挑選出的弱分類器組成一個強(qiáng)分類器，計算出強(qiáng)分類器閾值，最后將強(qiáng)分類器級聯(lián)成一個多層分類器；以及 533:利用訓(xùn)練的分類器對 輸入圖像或視頻檢測人臉，并將檢測到的人臉位置作為跟蹤的初始位置。
4.如權(quán)利要求1所述的方法，其特征在于，所述步驟S4進(jìn)一步包括: 541:對輸入的圖像或視頻所述分別計算梯度直方圖、顏色直方圖和紋理直方圖； 542:將所述梯度直方圖、顏色直方圖和紋理直方圖進(jìn)行融合，獲得目標(biāo)融合直方圖； 543:利用與步驟S41和步驟S42的方法計算候選區(qū)域的候選目標(biāo)融合直方圖； 544:計算所述目標(biāo)融合直方圖和所述候選目標(biāo)融合直方圖之間的相似度；以及 545:通過求最大相似度來獲得目標(biāo)的MeanShift向量,該向量使得目標(biāo)從初始位置向最可能的候選目標(biāo)位置不斷迭代，并最終收斂到目標(biāo)的真實(shí)位置，達(dá)到目標(biāo)跟蹤的目的。
5.如權(quán)利要求4所述的方法，其特征在于，所述計算紋理直方圖進(jìn)一步包括:計算LBP描述子，統(tǒng)計局部二值模式特征；計算LBP方差描述子，統(tǒng)計局部對比度變化特征；以及利用融合策略，將局部二值模式特征和局部對比度變化特征有效融合，共同表示紋理特征。
6.一種人臉檢測與跟蹤裝置，其特征在于，包括以下部分: 輸入模塊，所述輸入模塊用于輸入人臉圖像或視頻； 預(yù)處理模塊，所述預(yù)處理模塊對所述人臉圖像或視頻進(jìn)行光照預(yù)處理； 人臉檢測模塊，所述人臉檢測模塊利用AdaBoost算法進(jìn)行人臉檢測，確定人臉初始位置；以及 人臉跟蹤模塊，所述人臉跟蹤模塊利用MeanShift算法進(jìn)行人臉跟蹤。
7.如權(quán)利要求6所述的裝置，其特征在于，所述預(yù)處理模塊進(jìn)一步包括: 亮度修正模塊，所述亮度修正模塊首先計算每一幀圖像的平均亮度值，然后將所述平均亮度值與預(yù)設(shè)的亮度閾值作比較，對過暗圖像進(jìn)行對數(shù)變換，對過亮圖像進(jìn)行指數(shù)變換；以及梯度修正模塊，所述梯度修正模塊首先對亮度變換后的圖像計算梯度模，然后將所述梯度模的數(shù)值與預(yù)設(shè)的梯度模閾值作比較，對過小梯度值的圖像區(qū)域進(jìn)行局部細(xì)節(jié)調(diào)整，否則無需調(diào)整。
8.如權(quán)利要求6所述的裝置，其特征在于，所述人臉檢測模塊進(jìn)一步包括: 人臉樣本庫，所述人臉樣本庫存儲有離線收集到的大量不同光照條件下的人臉正樣本 及非人臉負(fù)樣本； 分類器訓(xùn)練模塊，所述分類器訓(xùn)練模塊用于離線地利用所述人臉正樣本及非人臉負(fù)樣本訓(xùn)練分類器，其中，采用積分圖的快速算法計算圖像各個區(qū)域的像素和，用于計算設(shè)計好的不同Haar-Like特征值，利用AdaBoost算法挑選出分類能力強(qiáng)的特征作為弱分類器，計算出弱分類器閾值，再將挑選出的弱分類器組成一個強(qiáng)分類器，計算出強(qiáng)分類器閾值，最后將強(qiáng)分類器級聯(lián)成一個多層分類器；以及 所述分類器，所述分類器經(jīng)過訓(xùn)練后對輸入圖像或視頻檢測人臉，并將檢測到的人臉位置作為跟蹤的初始位置。
9.如權(quán)利要求6所述的裝置，其特征在于，所述人臉追蹤模塊進(jìn)一步包括: 梯度直方圖計算模塊、顏色直方圖計算模塊以及紋理直方圖計算模塊，用于計算輸入的圖像或視頻的梯度直方圖、顏色直方圖和紋理直方圖，以及計算候選區(qū)域的梯度直方圖、顏色直方圖和紋理直方圖； 直方圖融合模塊，所述直方圖融合模塊用于將所述梯度直方圖、顏色直方圖和紋理直方圖進(jìn)行融合，獲得目標(biāo)融合直方圖和候選目標(biāo)融合直方圖； 相似度計算模塊，所述相似度計算模塊計算所述目標(biāo)融合直方圖和所述候選目標(biāo)融合直方圖之間的相似度；以及 迭代求解模塊，所述迭代求解模塊通過求最大相似度來獲得目標(biāo)的MeanShift向量，該向量使得目標(biāo)從初始位置向最可能的候選目標(biāo)位置不斷迭代，并最終收斂到目標(biāo)的真實(shí)位置，達(dá)到目標(biāo)跟蹤的目的。
10.如權(quán)利要求9所述的裝置，其特征在于，所述紋理直方圖計算模塊進(jìn)一步包括: LBP計算模塊，用于計算LBP描述子，統(tǒng)計局部二值模式特征； LBP方差計算模塊，用于計算LBP方差描述子，統(tǒng)計局部對比度變化特征；以及紋理特征融合模塊，用于利用融合策略，將局部二值模式特征和局部對比度變化特征有效融合，共同表示紋理特征。
全文摘要
本發(fā)明提出一種人臉檢測與跟蹤方法及裝置，其中該方法包括輸入人臉圖像或視頻；對所述人臉圖像或視頻進(jìn)行光照預(yù)處理；利用AdaBoost算法進(jìn)行人臉檢測，確定人臉初始位置；以及利用MeanShift算法進(jìn)行人臉跟蹤。本發(fā)明的方法及裝置，在圖像預(yù)處理階段，本發(fā)明提出自適應(yīng)局部對比度增強(qiáng)方法來增強(qiáng)圖像細(xì)節(jié)信息；在人臉檢測階段，采用AdaBoost算法，為了提高在不同光照下算法的魯棒性，在訓(xùn)練樣本中增加不同光照的人臉正樣本，提高人臉檢測的準(zhǔn)確性；在人臉跟蹤階段，采用MeanShift跟蹤算法，為了克服該算法使用顏色特征的單一性，融合梯度特征和局部二值模式LBP紋理特征，其中LBP紋理特征還考慮了利用LBP局部方差表示圖像對比度信息的變化，提高了人臉檢測和跟蹤的準(zhǔn)確性。
文檔編號G06K9/00GK103116756SQ20131002561
公開日2013年5月22日 申請日期2013年1月23日 優(yōu)先權(quán)日2013年1月23日
發(fā)明者王瑜, 蔡強(qiáng), 張慧妍 申請人:北京工商大學(xué)