 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
利用视频进行小特征点集的快速人脸建模
下载积分：700
内容提示：利用视频进行小特征点集的快速人脸建模利用视频
文档格式：PDF|
浏览次数：5|
上传日期： 16:01:57|
文档星级：
该用户还上传了这些文档
利用视频进行小特征点集的快速人脸建模
官方公共微信第38卷第3期2011年3月；doi：10.3969/j.issn.1009-；应用科技；AppliedScienceandTechnol；Vol.38，No.3；Mar.2011；视频流下的人脸检测与跟踪；苏景龙1，林天威2，王科俊3，贲烨4；（1.哈尔滨商业大学德强商务学院，黑龙江哈尔滨1；摘要：研究了基于AdaBoost算法的人脸检测、；文献标识码：
第38卷第3期2011年3月
doi：10.3969/j.issn.11.03.002
AppliedScienceandTechnology
Vol.38，No.3
视频流下的人脸检测与跟踪
苏景龙1，林天威2，王科俊3，贲烨4
（1.哈尔滨商业大学德强商务学院，黑龙江哈尔滨.上海通用东岳汽车有限公司涂装生产部，山东烟台264100；黑龙江哈尔滨.哈尔滨工业大学交通科学与工程学院,黑龙江哈尔滨.哈尔滨工程大学自动化学院，
摘要：研究了基于AdaBoost算法的人脸检测、级联分类器，讨论了Haar-Like特征及其积分图的计算方法，以及微结构特将基于AdaBoost的人脸检测征的详细定义和表示方式，并给出4种不同矩形特征的计算方法.以色彩直方图为跟踪特征，算法与CamShift跟踪算法进行了有效的结合，并给出视频下的人脸检测与跟踪实验结果.实验结果表明，在尺度变化、角度变化以及有遮挡的情况下都得到了很好的检测、跟踪效果.关键词：人脸检测；人脸跟踪；均值移动算法AdaBoost；中图分类号：TP391.41
文献标识码：A
文章编号：（-671X03-0005-07
Facedetectionandtrackinginvideo
SUJinglong1，LINTianwei1，WANGKejun2，BENXianye3
（1.TekkeungCommerceBusinessSchool，HarbinUniversityofCommerce，Harbin150028，China；2.SGMDongYueMotorcarsCo.，Ltd.，Yantai264100，China；3.CollegeofAutomation，HarbinEngineeringUniversity，Harbin150001，China；4.SchoolofTransportationScience）HarbinInstituteofTechnology，Harbin150090，ChinaandEngineering，
Abstract：FacedetectionbasedonAdaboostandcascadeclassifierarestudiedinthispaper.Haar-Likefeatures，computingmethodofintegralimage，detaildefinitionofmicrostructuralfeaturesandtheirdescriptionmodesarecolorhistogramdiscussed.Thecomputingmethodsoffourdifferentkindsofrectanglefeaturesarealsogiven.Moreover，isthefeatureoftracking，andfacedetectionbasedonAdaboostwhichiscombinedeffectivelywithtrackingalgorithmbasedonCamShiftisproposed.Toevaluatetheperformanceoftheproposedmethod，experimentshavebeenconductedonvideosequences.Experimentalresultsshowthisproposedmethodcanoperatesuccessfullydetectionandtrackinginscalevariation，viewvariationorocclusion.Keywords：facedetection；facetracking；AdaBoost；Meanshift
人脸检测与跟踪由于其在视频监控、人脸识别等领域的广泛应用，已成为当前计算机视觉检测研究中的一个热点.人脸大小、位置、角度、姿态等的变化，以及遮挡、光线改变带来的人脸外观上的变化都会给人脸检测造成干扰；因此，视频序列中的人脸检测与跟踪是一个值得探讨的问题，也是视觉信息处理和理解领域的难点之一.
Schapire[1]于1989年第一次提出了可证明的Boosting算法.它来源于Valiant提出的PAC模型.在PAC学习模型中，Valiant[2]提出了强学习算法和弱
学习算法的概念；但是，对于普通的检测问题，理想
的强学习算法很难得到.1995年，Freund和Schapire提出了AdaBoost算法[3]，这是一种迭代方法，通过从大量的弱分类器中选取最具分类意义的弱分类器而组合成一个强分类器.2001年，P.Viola和M.Jone通过将AdaBoost算法与基于积分图的Haar-Like特征结合起来实现的人脸检测系统[4]，在历史上第一次使人脸检测达到了实时处理的程度.目前，Ad－
已有硬件实现方法[5].人aBoost算法已经十分成熟，
脸检测实现后，可以方便用于人脸识别[6]、表情识别
收稿日期：.
基金项目：国家“863”高科技基金资助项目（）.
苏景龙（1988-），男，本科生，主要研究方向：模式识别在管理方面的应用，E-mail：.作者简介：
1.Edgefeatures:
、人脸跟踪[8-9]；因此，文中基于AdaBoost算法的人
脸检测、级联分类器及检测，讨论了Haar-Like特征及其积分图的计算方法，以及微结构特征的详细定义和表示方式，在人脸跟踪方面，介绍了MeanShift算法理论，由此引出以色彩直方图为跟踪特征，以Mean-Shift为算法核心的CamShift目标跟踪算法，在详细分析CamShift算法的特点之后，将基于Ad－aBoost的人脸检测算法与CamShift跟踪算法进行有效的结合，并验证算法的有效性.
2.Linefeatures:
3.Specialdiagonallinefeature:
图2扩充后的Haar特征模板
积分图计算
1AdaBoost人脸检测原理
人脸检测的目的就是把人脸与非人脸区分开.
为了满足动态人脸检测对实时性的要求，本系
统采用Viola等定义的图1中的4种矩形特征.这些特征在灵活性上虽然赶不上扩展后的Haar-Like特征模板；但是这些矩形特征以图像灰度值为自变量，在边缘检测方面有着很好的表现，对人脸部的各种特征有很好的提取和编码能力.加上它计算效率上的绝对优势，这些足以弥补它在灵活性上的缺点.针对已经引入的Haar-Like矩形特征，算法引入了积分图的概念，以进一步降低所需要的计算成本.所谓的积分图像就是对原图的一次双重积分，其积分表示为
级联检测Viola的人脸检测方法是一种基于积分图、
器和AdaBoost算法的方法.该方法可以分为3个部分：）使用基于积分图计算的Haar-like特征表示人1脸；）使用AdaBoost算法挑选出一些最能代表人脸2
的矩形特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器；）将训练得到的若干3强分类器级联形成分层检测结构，这种结构能有效地提高分类器的检测速度.1.1
Haar-Like特征的确定
每个弱分在基于AdaBoost的人脸检测算法中，
类器都是对图像一个特征值的判断，常用的特征是基于积分图计算的Haar-Like特征.Haar-Like特征最早由Papageorgiou等应用于人脸的表示，他们使用了包含有3种类型的特征（图1中的A、）B、D.Viola等在此基础上做了改进，使用了图1中4种形式的特征模板，这些特征模板都是由基本的矩形特征组成.之后人们在此基础上又进行了扩展，定义了多种形式的特征模板.如图2所示.
）f（'x，y=
（）fx'，y'dx'dy'.乙乙
（）表示原图像，）表示积分图像.式中：fx'，y'f（'x，y
对于原图中的每一个像素点（x，），其对应的积y分图可由式（2）求出.
Σ（x，）（）iiy=x'≤ix'，y'.x，'y≤y
也就是说，灰度积分图中任何一个像素点（x，）y的值等于这一点左上方所有像素值的和（见图3）.其中ii（x，）是计算后的积分图像，（）是原图像.yix，y
在点的积分图像的值
图1矩形特征
（x，）也可以通过下式迭代求出：iiy
（x，）（x，）），（3）sy=sy-1+（ix，y（x，）（x-1，）（x，）（4）iiy=iiy+sy.
式中：（x，）为点（x，）在y方向上所有原始图像之syy和，称为“列积分和”，可以定义为
第3期苏景龙，等：视频流下的人脸检测与跟踪
（x，））sy=Σ（ix，y'.
并定义s（x，）（-1，）对原图遍历一次就-1=0，iiy=0，可得到整个积分矩阵.
任何矩形中的象素和都可以用积分图像，通过
如图4所示.双矩形特征因4个顶点的值计算出来，
为包含了2个相邻的矩形和，所以其值可以用6个
顶点的值计算得到.同理，三矩形可以用8个点来计算，四矩形就是9个点（见图5）.
）类：黑、白色区域大小相等，且在水平方向，（C
黑色区域在2块白色区域之间，如图5中C.这种微结构特征向量可以表示为
x，）?（x+2?）y，w，h=2IIw-1，y+h-1+
?（x+w-1，）（x-1，）2IIy-1-IIy-1-?（x+2?）?（x+w-1，）2IIw-1，y-1-2IIy+h-1-（x+3?）IIw-1，y+h-1+（x-1，）（x+3?）（8）y+h-1+IIw-1，y-1.II）类：黑、白色区域大小相等，且2块黑色区（D
域分别在1、3象限，2块白色区域分别在2、4象限，如图5中D.这种微结构特征向量可以表示为
x，）（x-1，）y，w，h=-IIy-1-（x+2?）（x-1，?）w-1，y-1-IIy+2h-1-II?（x+w-1，）?（x+w-1，）IIy+h-1+2IIy-1-4
（x+2??）?（x-1，）IIw-1，y+2h-1+2IIy+h-1+?（x+2?）?（x+w-1，?））2IIw-1，y+h-1+2IIy+2h-1.（9这4种微结构特征组成样本的基本特征.在处理图像前，先按照式（2）获得图片的灰度积分图.如果需要计算特征x，）对于图6的值，计算方y，w，h法如式（10）：
黑色区域=1+5-2-4,白色区域=2+6-3-5.x，）y，w，h=黑色区域-白色区域=1+5-2-4-（2+6-3-5）（10）.因此，矩形特征的特征值大小只是特征端点积
图4通过四点计算矩形D中的像素和
图5计算4种不同矩形特征
分图的简单加减运算.只要样本大小固定不变，其计算需要的时间就是一定的.并且只需要计算几个端点的灰度值而不需要计算图像每个点的灰度值，从而缩短了计算时间.
1.3AdaBoost算法训练过程
AdaBoost算法是一个迭代方法，其基本思路是：每轮迭代时，根据分类结果对样本权重分布进行调整.正确分类的样本权重减小，错误分类的样本的权重增加，这样学习算法在下一轮迭代中集中学习分类比较困难的样本；最终，将每轮产生的弱规则按照加权投票的方式合并为一个强规则.对于两类问题，AdaBoost算法具体描述如下：
给定样本图像集（x1，），…，（xn，），其中yi=0，y1yn1分别表示负样本和正样本，n为训练样本总个数.
11分别对应y=0，初始化权值：w1，1样本i=i的权值，其中m，l分别表示负图像和正图像的个数.
重复以下过程T次，…，t=1，T：）权值归一化；1
图5中的4种类型微结构模板，可以提取人脸
样本的高维微结构特征，每种微结构的特征的值等于模板黑、白色区域内所对应像素灰度和的差值.用x，）表示微结构特征，y，w，hw、h分别表示其中各区域的宽和高.
（A）类：黑、白色区域大小相等，左右对称，如图5中A.这种微结构特征向量可以表示为
x，）?（x+w-1，）y，w，h=2IIy-1+（x+2?）（x-1，）IIw-1，y+h-1+IIy+h-1-?（x+w-1，）2IIy+h-1-（x+2?）（x-1，）（6）IIw-1，y-1+IIy-1.（B）类：黑、白色区域大小相等，上下对称，如图5中B.这种微结构特征向量可以表示为
x，）?（x+w-1，）y，w，h=2IIy+h-1+（x-1，）（x-1，?）IIy-1+IIy-2h-1-（x+w-1，）?（x-1，）IIy-1-2IIy+h-1-（x+w-1，?）IIy+2h-1.
应用科技第38卷
对于每一个特征，构造弱分类器，然后在统计
样本集上每个特征分布的极大值和极小值间穷举搜索阈值参数，使得的错误率最小，这里的也就是错误样本的权重之和，定义
（εj=Σiwi|hjx）i-yi|，（）h=jx
（12）（13）
如果太大，因为矩形特征数量跟样本大小有关系，
而矩形特征的数量越大，也就影响到了训练的速度.本系统的样本库中的人脸样本和非人脸样本大小都为，部分样本示例如图6所示，其中（a）为人脸样本（b）为非人脸样本.
←0，otherwise.
）1，ifpjf（jx＜pjθj.
式中：）是从样本中取到的第jpj是方向指示符；f（jx个特征；θj是第j个特征对左右的判决阈值.
）选择εt=argminεj，并将其对应的弱分类器作2
）更新样本权重：3
wt+1，i=wt，iβt.
βt=εt.t）最后输出强分类器：4
≥≥≥≥≥≥≥≥
（a）人脸样本
否则ei=1，且如果样本图像xi被正确分类ei=0，
（）1t=1αt；t=1αthtx≥T
0，otherwise.
式中：αt=log1.
（b）非人脸样本
2级联分类器及检测
基于AdaBoost的人脸检测算法，除了学习算法
图6部分样本示意图
2.2级联分类器与检测结果
本身对检测器有影响外，弱分类器的选择也对其有
较大影响.而分类器的好坏在一定程度上取决于样本集的选择.所以样本集的选择与制作对人脸检测系统的性能非常重要.2.1
本系统的正样本集主要来自人脸库、人脸库以及包括一些从网上搜索到的人脸样本.包含了不同年龄、不同表情、不同性别以及不同姿态的人脸，以便增强分类器的适应性.负样本的采集主要来自网上搜索的非人脸图片，例如风景画等.样本选择好了之后就是样本的制作了，需要把样本按照一定的方式进行裁剪，将图片裁剪成统一大小的正方形人脸.样本要裁剪成适当的像素大小，既不能太大，也不能太小，因为样本的大小也影响到系统的训练.像素太小，会使训练过程更难；像素
级联分类器
称AdaBoost分类器由多层强分类器级联而成，
之为瀑布型检测器.它的每一层都是由AdaBoost算
法训练得到的强分类器，从第1层分类器出来的正确结果触发第2层分类器，而从第2层出来的正确结果将触发第3层分类器，以此类推.相反，从任何一个结点输出的被否定了的结果都会导致对这个子窗口的检测立即停止.通过设置每层的阈值，使得绝大多数人脸都能通过，而绝大部分的非人脸不能通过，这样靠近级联分类器后端的层拒绝了大部分的非人脸.这些通过训练得到的每一层分类器，都要满足一定的性能要求，使得人脸的通过率大于f，而非人脸的通过率小于g.一般要求f要尽量趋近1而
其中v1是g小于0.5.图7中的f为0.998，g为0.5，
错误拒绝人脸通过的概率，v2是错误接受非人脸的概率.
第3期苏景龙，等：视频流下的人脸检测与跟踪
搜索框图像
）鲁棒性.由于人脸的非刚性及主要来自2个方面：1
其运动的不规则不均匀性，尤其是在不同光照、背景的影响下，都会使人脸跟踪的难度加大.2）实时性.这是所有跟踪算法的基本要求，即人脸跟踪算法应具有较高的运算效率.一个好的人脸跟踪算法既要求有好的鲁棒性，又要求具有好的实时性；但是二者之间存在一定的矛盾性，在增加鲁棒性的同时，会加大运算时间，影响到算法的实时性，要解决的就是在二者之间找到一个折中点，使系统得到最优化的设计.3.1
基于MeanShift的人脸跟踪
v1=1-0.998FF
v1=1-0.9982
v1=1-0.998nF非人脸
图7瀑布型检测器框架示意图
2.2.2人脸检测结果
采用图7的级联分类器对实验室的同学进行视频下的人脸检测，视频流中单帧图片的大小设置为
检测速度大约在20帧/秒，基本上可以达到320×240，
实时的要求.如果视频流中图片大小为640×480或以
上，检测速度就会明显变慢.部分检测情况如图8所）为检测正确效果图，（b）为检测错误效示，其中（a果图.
MeanShift算法中采用的是HSV模型中的H（色度）分量作为跟踪的特征，所以计算量会比使用完整的RGB或者HSV模型小很多.这种算法在实现实时跟踪的情况下优势非常明显.
利用目标区域的颜色直方图计算各色度值的分布概率，然后用计算得到的图像上每个像素点所对应的概率值代替该点像素值，就得到了目标区域的概率投影图.具体过程分析如下：
）图像格式的转换，将RGB图像转换成HSV1格式，再提取H通道；
）计算图像目标区域H通道的直方图.假定使用2
^}表定义某个像素点的位置为{xi}i=1…n，m级直方图，{q
…，定义映射c∶R2→{1，…，示颜色u=1，m出现的概率，m}
来表示对于像素点xi*的颜色索引值为c（xi），δ是
那么直方图为Kronecker函数，
*^u=Σδ[c（xi）-u].qi=1n
（a）检测正确效果图
）检测错误效果图（b
图8视频下人脸检测
在视频流中最小可以检测20×20大小的正面
人脸.人脸旋转幅度在20°以内，其检测效果比较好.人脸发生漏检的情况通常出现在人脸进行大角度旋转的样本中，可见AdaBoost算法对于大角度的旋转有一定的局限性；误检的情况发生在视频流中存在类人脸的情况；实验中肤色较黑的人脸无法检出，存在拒识现象，是由于训练样本中没有包含黑人人脸.且训练集数量太少，非人脸样本比重偏低也导致了一定的漏检和错检.而世界上的非人脸样式远远大于人脸样式，因此需要足够多的非人脸样本参加训练，才能提高分类器对非人脸图案的“分辨”能力.
）用式（17）把变换直方图的尺度从[0，（q）3max]规范化为[0，255]：
q^，255Σp=min.55^）（qmax
）形成直方图4pu代替原像素点xi*的像素值u，背投影，即彩色概率分布图.
通过上面4步将感兴趣区域的像素点采样直方图的域值变为可视的灰度值，
利用这个灰度值反投影回原图，将原图像变成灰度图像，如图9所示.
（a）原图像（b）色彩概率分布（c）H分量直方
图9直方图背投影
人脸跟踪在视频流下的人脸识别系统中，占据
着重要的作用，不过也面临着重大的挑战.其挑战性
3.2CamShift算法
CamShift算法能够将视频图像的所有帧做
包含各类专业文献、中学教育、文学作品欣赏、外语学习资料、各类资格考试、应用写作文书、高等教育、18视频流下的人脸检测与跟踪等内容。　
　下视频序列中人脸检测定位的多级算法.首先,用改进的帧间差自适应 阈值法检测...的人员进行跟踪,所以人脸跟踪技术越来越为人们所重视.视频序列中的人脸检测定位... 　视频中的人脸检测定位与跟踪识别(1)_信息与通信_工程科技_专业资料。人脸识别、...例如在视频图像运动目标的提取过程中运用的光流法、 背景减除 法、时域差分等... 　(设计) ,是在导师的指 导下独立进行研究所取得的...应用 AdaBoost 算法 实现了针对视频流的快速人脸定位...视频序列中的人脸检测与跟踪算法研究.东南大学博士... 　基于Opencv的视频人脸检测程序源代码(可运行)_计算机...否则继续捕获下一帧*/ if( cvWaitKey(10)&0 )...基于OpenCV的人脸跟踪识... 73页 免费
个人整理的... 　基于TLD改进的人脸检测跟踪算法_物理_自然科学_专业资料。基于 TLD 改进的人脸检测...跟 踪器,检测器,当输入一段视频序列后,同时送入三个部分,当观测 到物体的... 　基于PAC 的实时人脸检测和跟踪方法 摘要 这篇文章提出了复杂背景条件下,实现实时...基于动作的跟踪是依赖于动作检测技术,且该技术可 以被分成视频流 (optical flow... 　人脸检测作为其中一个重要的成员,其应用范围也非常 广泛。特别是在视频追踪,实时...和基于知识的自上而下的方法比较,研究者试图去 找到一种不变的人脸特征用于... 　2 人脸识别概述一个自动的基于视频的人脸识别系统包括了人脸检测模块、人脸跟踪...(5) 利用流形(manifold)刻画视频中的人脸分布, 如分段线性 PCA 子空间等. 上述... 　视频电视会议的广 泛应用, 人们开始将人脸检测与跟踪作为统一的整体加以研究。 ...其中前者主要采用图像差分, 光流等方法跟踪人脸, 这种方法跟踪速度快,但依赖于...播放列表加载中...
正在载入...
分享视频：
嵌入代码：
拍下二维码，随时随地看视频
脸部按摩手法视频（护理脸部皮肤)
上 传 者：
内容介绍：
脸部按摩手法视频（护理脸部皮肤)
我来说点啥
版权所有 CopyRight
| 京网文[0号 |
| 京公网安备：
互联网药品信息服务资格证：（京）-非经营性- | 广播电视节目制作经营许可证：（京）字第403号
<img src="" width="34" height="34"/>
<img src=""/>
<li data-vid="">
<img src=""/><i data-vid="" class="ckl_plays">
<img width="132" height="99" src=""/>
在线人数：
<li data-vid="">
<img src=""/><i data-vid="" class="ckl_plays">
<img src="///img/blank.png" data-src=""/>
<img src="///img/blank.png" data-src="http://"/>
<li data-vid="" class="cfix">
src="///img/blank.png" data-src=""/>
<i data-vid="" class="ckl_plays">
<li data-vid="" class="cfix">
src="///img/blank.png" data-src=""/><i data-vid="" class="ckl_plays">
没有数据！
{upload_level_name}
粉丝 {fans_count}
{video_count}
{description}【求助】09-13丨怎么把视频里的人脸用一张图片覆盖上呢_会声会影吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：510,080贴子：
【求助】09-13丨怎么把视频里的人脸用一张图片覆盖上呢收藏
求好心人。。
3D双端东方魔幻网游「大青云」勾魂公测,穿越逆转,封神故事,全新演绎!
跟踪他的脸，比如他的鼻孔，然后用一张图匹配上去
登录百度帐号推荐应用
为兴趣而生，贴吧更懂你。或