1、人臉檢測和跟蹤的仿真實現數字視頻技術1234介紹基于HAAR分類器的人臉檢測CamShift跟蹤算法實驗結果人臉檢測和跟蹤概念簡介人臉跟蹤是在視頻或圖像序列中確定某個人臉的運動軌跡及大小變化的過程，它是進行動態人臉信息處理的第一個環節，在視頻會議、可視電話、視頻監控、人機智能交互等方面都有著重要的應用價值。由于人臉本身屬于復雜多變的非剛體模式，在運動過程中，其大小、形狀都會發生變化，因此實現實時而可靠的人臉跟蹤方法具有一定挑戰性。背景噪聲，目標外觀變化、運動，實時性，魯棒性人臉跟蹤的應用虛擬角色臉部捕捉游戲：用戶只需要坐在攝像頭面前，FaceRig就能將你化身成一位虛擬角色，用戶能夠從多位不同

2、的角色中選擇自己的形象，包括毛茸茸的浣熊，惡魔領主，動漫萌妹和星際指揮官等等。FaceRig還支持用戶切換背景環境以及改變自己的聲音FaceRigHAAR特征人臉檢測Haar分類器 = Haar-like特征 + 積分圖方法 + AdaBoost + 級聯類Haar特征分為三類：邊緣特征、線性特征、中心特征和對角特征，組合成一組特征蒙板。在特征模版中，定義有白色和黑色的兩種矩形，該模版的特征值定義為白色矩形區域像素和與黑色矩形區域像素和的差。人臉檢測最初的弱分類器可能只是一個最基本的Haar-like特征，計算輸入圖像的Haar-like特征值，和最初的弱分類器的特征值比較，以此來判斷輸入圖像

3、是不是人臉，然而這個弱分類器太簡陋了，可能并不比隨機判斷的效果好。 Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的弱分類器，然后把這些弱分類器集合起來，構成一個更強的強分類器。Adaboost算法 重點是選取合適的描述特征和訓練樣本人臉檢測適應性較強，接近100%的識別率，與人臉結構特征接近的都會被識別為人臉CamShift1.初始化：將輸入圖像變換到HSV空間，計算基于HS分量的顏色直方圖2.跟蹤：將新圖像變換到HSV空間，計算目標直方圖的反向投影，相當于關于目標位置的概率分布圖3.迭代：通過迭代的方式不斷收斂到目標概率最大位置，即為跟蹤結果MeanShift Cam

4、Shift MeanShift算法的改進，在該算法基礎上增加了對尺度的適應性算法說明算法設計人臉跟蹤的框圖設計實驗結果人臉跟蹤 由檢測器初始化人臉的初始位置；利用Camshfit算法進行跟蹤；綠色的方框為人臉跟蹤的結果；方框的尺寸自適應改變；在框內檢測人眼的位置；用藍色的圓表示。針對實際應用中缺陷所做的修改顏色直方圖 基于顏色信息的人臉跟蹤時常將與面部膚色相似的頸部區域劃入框內，導致跟蹤漂移等問題，為矩形高度設置閾值，不超過寬度的1.5倍。人眼檢測利用先驗知識，人眼位于面部中上方區域，實際應用中將鼻孔錯檢為人眼，選擇只對人臉框上方1/2的區域進行搜索，既降低了錯檢，也減少了檢測時間。實驗結果不足之處跟蹤失敗 人臉發生較大的變化時跟蹤失敗，在實際應用中考慮檢測跟蹤失敗的情況，比如按照是否該幀檢測到人眼確定跟蹤是否丟失，或定期進行人臉檢測修正人臉位置。實時性在耗時中，檢測所需要的時間較長，實現更復雜的