视频序列对称差分法检测与预测人脸技术
基于帧间差分法和AdaBoost算法的人脸跟踪
发的． 主要用于图像处理和计算机视觉应用 ． 目前 已开 发 出最新 的 ２ ． ４ ． ４版 它提供 了大多数常用的图像处理
函 数 和 基 本 矩 阵 运 算 ． 因此 可 以大 大 缩 短 应 用 程 序 开 发 周 期 其 中 大 部分 的 函数 代 码 的编 写 是 基 于 Ｉ ｎ ｔ ｅ ｌ 处 理器指令 的 ． 因此 可 以发 挥 处 理 器 最 １ ３ ． ０ ６ 下
背景区域：
ｌ ｉ （ ｔ ） 一 ｉ （ ｔ 一 １ ） Ｉ ＜ Ｔ （ １ ）
类 器 的训 练 人 脸 的算 法 如 下 ： 已 知 Ｐ是 集 合 训 练 用 的 简单 特 征 分类 器 的 训 练 正 例集 ． Ｎ是 集 合 训 练 用 的 简 单 特 征 分 类 器 的 训 练 负 例
的 背景 下 ． 无论在人体处于移动正常、 缓 慢 或静 止 的情 况 下 ， 该 方 法 都 能 实现 单人 脸 检 测跟
踪 ， 且跟踪速度较快。
关 键 词 ：Ａｄ ａ Ｂｏ ｏ ｓ ｔ ：帧 间 差分 法 ：人 脸 检 测 ；Ｏｐ ｅ ｎ ＣＶ
０ 引
言
用了 Ｏ ｐ ｅ ｎ Ｃ Ｖ 开 源 库 作 为 实 验 工 具 ．非 常 方 便 地 完 成
（ ２ ） 初始化 Ｆ ０ ＝ １ ． ０． １
的时 间 建 立 背 景 模 型 及 维 护 背景 模 型 基 于 光 流 法 的
精确定位人脸 ． 通 过保 存 历 史 人 脸 区域 ． 并 且 动 态 变 化
历 史 区域 大 小 ． 实验证 明 ． 该 方法能 够在 １ ０帧／ ｓ的 实
时 视 频 中成 功检 测 跟 踪 人 脸 ．并 降 低 了传 统 Ａ ｄ ａ Ｂ ｏ ｏ ｓ ｔ
基于改进差分AAM和K-SVM的人脸表情识别
． 主动表现模型是基于统计模型的方法，主要包括统计形状模 ３１反向合成图像算法
★ 来稿 日 ： １－２ １ －基金项 目： 期 ２ １０－０ ｋ ０ 西南科技大学研 究生创新 基金资助（９ｃ０ ）四川省教育厅科研基金（７Ａ ７ ） ０ｙｊ５ ， ｊ ０Ｚ １５
第１ ２期
合成算法求式（ ） ３ 的最小值 ：
假设图像中有个标定点 ， 人脸形状可以用着 Ｖ 个标定点坐标组成的 向量来表示 ： （，Ｙ 一， Ｙ ） 中含分段放射变换作用 （ ， ， ＝ 平 移、 旋转 、 比例变换 ） 的效果 ，Ａ Ａ Ｍ采用 Ｐｏｒｓ ｓ ｒｃ ｔ 分析方法是将所 ｕｅ
有 的形 状 向量对 齐到 同一坐 标框架 中。 由于对 齐后 的形状 向量 分布
改进差分 Ａ Ｍ特征和 Ｋ Ｓ Ｍ算法的有效陛ｉ 了验证。 Ａ －Ｖ 了
Ａ（ ） 间 总是 正 交 的 。 之
２主动表现模型
型和统计外观模型。 Ａ Ａ Ｍ是由一组手工标定的训练图像计算得来。
３反向合成图像对齐算法
反向合成算法 由 Ｌａａ Ｋ ｎｄ 算法演算而来 ， ｕｃｓ ａａｅ — 是一种快
在 Ａ Ｍ 中， Ａ 外观图像 Ａ（） 本质上是～ 幅定 义在基形状 ｓ
上的图像 ， 该图像 由基形状 ｓ内的所有像素点 组成。为了消除 。
果效果最佳， ＭＭ在基于序列分类有很好的效果，但不能准确估计 Ｈ
高维空间 小样本训练序列的模型参数。将表隋 分为申Ｉ， 生 高兴， 生气
和惊奇 ４ 种。首先介绍了 Ａ 的基本内容和反向合成图像对齐算 Ａ
改进 。
∑［ （ ）。 （ ）Ｖ。 △］ ） （ ） Ａ ｐ ；一 ０
假定 （ ０ ： ， ： ；）０则
视频中实时的人脸检测算法
（） 图像 （ 框 为 的人 脸 窗 口 ， ａ原 上 下框为非人脸窗 口）
（ ） 缘 图 像 ｂ边
图 ２边 缘 能 量 快 速 排 除 非 人 脸 窗 口演 示
多分 辨 率搜 索 ： 图像 的扫描 分 成两 个 阶段 ． 对 按搜 索 量化 步 长的大 小分为 粗分 辨 率 和细分 辨率 法 的的 改进 ． 优 势体 现 在 ： 方 面 。 需 确定 弱 其 一 无 分 类器 的个 数 。而是根据 给 定 的误 检率 自适 应 的 进行 。 运 用 上面 的三种 策略 ．与传 统 的检 测方 法相 选 择弱 分类 器 ．当满足误 检 率条 件 时该 强分 类 器
一
福
建 电
脑
２１ ０ ２年第 ８期
种高复 杂 的算 法不 易在硬 件上 实 现 ．而 本文 算法
比较 简练 ， 容易 在硬 件上 实现 ， 已经 在 ｄｐ上实 现 ｓ
了。
５、 论 结
本文 提 出了一种视 频流 中实 时 的人脸 检测 算 法 ．它是基 于 Ｇ ｎｌ Ａ ａ ｏｓ 的多特 征融合 的快 ｅ ｔ ｄ ｂ ｏｔ ｅ 速算 法 。 结合 了运 动特 征 、 色特 征 、 Ｈ ａ 特征 肤 类 ａｒ
人脸检 测作 为物体检 测 问题 的一个 特例 ．长期 以 策 略 。 来 一直 备受关 注 ．已经开 始广 泛应用 到全新 人机
界 面 、 于 内容 的检 索 、 于 目标 的视频 压 缩 、 基 基 数 字视频 处理 、 视觉 监测 等许多 领域 。 国内外 学者 提 出 了很 多关 于人脸 检测 的方法 ．大体 上可 以概 括
后在 水 平 和垂直方 向上 扫描 投 影点 ．用 以确定 水 布在 ２ ０ ０到 ４ ０ ０之 间 为 了提高 边缘 能 量 的 ５０ ００ 计 算速 度 ， 用积 分 图『 的思 想 。 利 １ １ 假设 待测 图像 的 平 和垂 直方 向上 的运 动 目标 区域 的边界 点及 区域
人脸识别技术
动态视频目标检测和跟踪技术传统视频监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。
智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。
将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。
目标识别主要解决“什么人”或“什么东西”的问题。
行为模式分析主要解决“在做什么”的问题。
动态视频目标检测技术是智能化视频分析的基础。
本文将目前几种常用的动态视频目标检测方法简介如下：背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。
它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。
实际上，背景的建模是背景减除方法的技术关键。
最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。
由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。
大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。
时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。
在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。
只有在有前景移动目标的部分相邻帧的像素差异比较大。
时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。
让我们来考虑安装固定摄像头所获取的视频。
FPGA实现移动目标检测
FPGA实现移动⽬标检测 上⼀篇整理了⼈脸检测，这篇讲⼀下移动⽬标检测。
⽬前逐渐形成三种运动⽬标的检测算法： 1）帧间差分法是采⽤视频序列中的相邻两帧图像做差的⽅法，来检测视频序列中的移动⽬标。
但是受运动⽬标和背景变化的影响，检测过程中有可能出现伪⽬标或者⽬标中出现“空洞”，在⽬标运动不是太快时可以有效的检测到⽬标。
2）背景减除法⾸先在没有⽬标的场景中获取背景图像，然后利⽤实时视频序列和背景图像做差，来实现地移动⽬标的检测。
如何获得背景是背景减除法的关键。
3）光流法是通过给图像中每个像素点赋予⼀个速度⽮量的⽅法建⽴光流场，利⽤光流场中⽮量运动的连续性来检测移动⽬标。
该⽅法的计算量通常很⼤，难以实现实时性的检测。
其中帧差法⽐较简单，可操作性较强。
⼀、帧差法原理 帧差法是通过两帧相邻图像间做差，并选取合适的阈值对图像进⾏⼆值化，从⽽选取出运动的物体。
设 f(x,y)为灰度差分图像，g k(x,y)、g k-1(x,y) 为相邻的两帧灰度图像，D(x,y)为侦差图像，T为差分阈值。
1、缓存两帧灰度图像。
2、两帧灰度图像做差，将结果和设置的阈值进⾏⽐较后转⼆值化输出。
3、对⼆值化结果进⾏框选，确定移动⽬标，类似⼈脸检测。
本设计的难点是如何能缓存两帧图像，以 SDRAM 为例，常⽤的⽅法有两种：掩码法和⾮掩码法，下⾯分别介绍⼀下。
⼆、移动⽬标检测——掩码法1、结构框图 如图所⽰：摄像头采集数据后，再SDRAM通道0中缓存后输出到 VGA_driver，正常的摄像头显⽰⼯程到这就结束了。
⽽为了后续处理，我将 VGA_driver 的输出数据先不输出到VGA引脚，⽽是对其进⾏图像处理：先进⾏ RGB转YCbCr处理，得到 8bit 的灰度数据 Y 分量，然后将 Y 分量输⼊到 SDRAM的通道 1 中，利⽤ SDRAM 的掩码，通道 1 的读出数据包含了 2 帧的灰度数据，将这两帧数据进⾏帧差计算，然后进⾏⼀些图像处理。
人脸视频深度伪造检测方法综述
人脸视频深度伪造检测方法综述人脸视频深度伪造检测方法综述一、引言随着人工智能和计算机图像技术的发展，人脸视频深度伪造技术日益成熟，并引起了广泛的关注和担忧。
通过深度学习和图像处理技术，可以制作出极其逼真的人脸视频假象，将一个人的脸部特征合成到其他人的身上，从而产生虚假的视频。
这种技术的出现给社会带来了很大的安全隐患，影响了人们对于视频真实性的判断。
因此，研究和开发人脸视频深度伪造检测方法具有重要的现实意义。
二、人脸识别与伪造技术1. 人脸识别技术人脸识别技术是建立在人脸特征提取和模式识别的基础上，通过计算机对人脸图像进行处理，实现对人脸的自动识别和辨认。
人脸识别技术应用于伪造检测中，可以对比视频中出现的人脸与真实人脸数据库中的数据，判断视频的真实性。
2. 伪造技术伪造技术通过使用深度学习和图像处理技术，对人脸进行合成，将一个人的脸部特征嵌入到其他人的身上，从而伪造出逼真的视频。
伪造技术的出现对于视频真实性的判断提出了新的挑战。
三、人脸视频深度伪造检测方法人脸视频深度伪造检测方法是指通过使用计算机视觉和深度学习技术，对视频进行分析和处理，以判断视频是否为伪造。
目前，关于人脸视频深度伪造检测的方法主要有以下几种：1. 动态纹理分析通过对视频中人脸的动态纹理进行分析，可以检测视频中的伪造。
伪造视频的纹理往往不够自然和平滑，在运动时会出现明显的不一致性。
因此，通过对视频中人脸的纹理变化进行监测和分析，可以判断视频是否为伪造。
2. 时空一致性分析人脸视频伪造时，往往会在细节处出现一些不一致性，比如光照的变化、阴影的位置等。
通过对视频中人脸的时空一致性进行分析，可以检测视频的真实性。
3. 深度学习方法深度学习方法在人脸视频深度伪造检测中应用广泛。
通过搭建深度学习网络，对视频中的人脸进行特征提取和判断，可以有效地检测伪造视频。
常见的深度学习方法包括卷积神经网络、循环神经网络等。
四、人脸视频深度伪造检测方法的挑战虽然已经有了一些人脸视频深度伪造检测方法，但是其仍然存在一些挑战。
视频检验技术的原理和应用
视频检验技术的原理和应用1. 原理介绍视频检验技术是一种通过对视频信号进行分析和处理，从而实现对视频质量及相关要素的评估的技术方法。
它通过对视频信号的各项参数进行提取和分析，以评估视频的清晰度、稳定性、颜色准确性等指标，并基于评估结果提供分析报告。
1.1 视频质量评估视频质量评估是视频检验技术的核心内容之一。
它通过分析视频信号的失真情况、画面清晰度、运动平滑度等指标，以评估视频的质量，并根据评估结果提供相应的优化建议。
常见的视频质量评估指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）、视觉感知质量指标（VQM）等。
1.2 视频参数提取视频参数提取是视频检验技术的另一个重要内容。
通过对视频信号进行分析和处理，可以提取出画面的分辨率、帧率、编码格式、比特率等参数，从而加深对视频质量及其特性的理解。
这些参数对于视频质量评估、视频压缩优化、视频编解码等方面具有重要意义。
1.3 视频内容分析视频内容分析是视频检验技术的进一步延伸。
它通过对视频帧进行图像处理和模式识别，提取视频中的关键信息，如运动物体的轨迹、人脸、车辆等，从而实现对视频内容的理解和识别。
视频内容分析在安防监控、智能交通等领域具有广泛的应用前景。
2. 应用领域视频检验技术在各个领域都有广泛的应用。
2.1 视频监控视频监控是视频检验技术的主要应用领域之一。
通过对监控视频进行实时分析和检测，可以实现对安全环境的监控和事态的预警。
视频检验技术可以检测视频中的异常事件、目标物体轨迹等，为安全管理提供有效的辅助手段。
2.2 视频广告视频广告是当前广告行业的重要形式之一。
视频检验技术可以帮助广告商对广告视频进行评估和优化，保证广告的呈现效果和质量，提升广告的传播效果。
2.3 视频会议视频会议在企业办公、远程教育等领域得到了广泛应用。
视频检验技术可以对视频会议的质量进行实时监测和评估，提供画面稳定性、音视频同步等指标，为会议的顺利进行提供有力支持。
基于深度学习的视频人脸表情识别与情绪分析系统设计
基于深度学习的视频人脸表情识别与情绪分析系统设计近年来，随着深度学习技术的发展和应用，视频人脸表情识别与情绪分析系统正逐渐成为研究和应用的热点。
人脸是人与人之间进行情感沟通的重要媒介，在很多应用领域有着广泛的应用，如人机交互、心理研究等。
本文将基于深度学习技术，探讨视频人脸表情识别与情绪分析系统的设计与实现。
首先，视频人脸表情识别与情绪分析系统的设计需要从数据采集、数据预处理、特征提取和分类识别四个方面进行考虑。
在数据采集方面，系统需要获取包含不同人脸表情的视频数据集。
这些数据集应涵盖不同人的多种表情和情绪状态，以保证模型的鲁棒性和泛化能力。
数据采集时应注意多样性和均衡性，尽可能覆盖不同种族、性别和年龄段的人脸，以提高识别的准确性。
数据预处理是构建识别模型的重要步骤。
因为视频数据通常包含大量的冗余信息，如背景、光照变化等，需要通过预处理方法去除这些干扰因素，提高模型的训练效果。
常见的预处理方法包括帧间差分法、直方图均衡化和降噪等。
特征提取是视频人脸表情识别的关键环节。
传统的表情识别方法通常采用手工设计的特征，如LBP（Local Binary Patterns）和HOG （Histogram of Oriented Gradients）等。
然而，随着深度学习的兴起，基于卷积神经网络（CNN）的特征提取方法已经成为主流。
通过预训练的深度学习模型（如VGGNet、ResNet等），可以提取到更加丰富、高层次的特征表达，显著提高了表情识别的性能。
最后，分类识别是视频人脸表情识别与情绪分析系统的核心任务。
通过深度学习模型对提取到的特征进行分类识别，可以实现对视频中人脸表情的自动识别和情绪状态的分析。
在训练阶段，可以采用一些经典的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等，通过大规模的训练数据进行端到端的模型训练。
在测试阶段，对输入的视频序列进行特征提取，再通过预训练好的分类器进行表情识别和情绪分析。
人脸识别技术的挑战与解决方案
人脸识别技术的挑战与解决方案人脸识别技术作为一种生物识别技术，被广泛应用于安防监控、金融支付、身份认证等领域。
然而，随着人脸识别技术的普及和应用，也面临着一系列的挑战。
本文将探讨人脸识别技术所面临的挑战，并提出一些解决方案。
一、挑战一：光线条件限制人脸识别技术在不同的光线条件下，容易受到环境光线的干扰，导致识别准确率下降。
尤其是在强光、阴暗或背光等特殊环境下，识别效果明显受到限制。
解决方案：1. 优化摄像设备：使用具有较高曝光范围和特殊光学镜头的摄像设备，增强对不同光线环境下的适应性。
2. 引入红外技术：利用红外光源辅助识别，可以在低光环境中采集更清晰的人脸图像。
3. 多角度采集：通过多角度、多方向的人脸图像采集，提高对不同光照条件下的识别准确率。
二、挑战二：复杂背景干扰人脸识别技术在复杂背景下的识别效果容易受到噪声、阴影和其他物体的干扰。
尤其是在拥挤的公共场所或人群密集的区域，人脸定位和识别更加困难。
解决方案：1. 背景差分技术：通过检测并剔除图像中的背景信息，突出人脸部分，从而提高人脸检测和识别的准确性。
2. 精细人脸定位算法：针对复杂背景下的人脸定位问题，开发基于深度学习的人脸关键点检测算法，提高人脸检测的鲁棒性和精度。
3. 多摄像头联合识别：在人群密集区域，通过将多个摄像头进行联合，实现对多个角度的人脸图像采集和识别，提高整体识别准确率。
三、挑战三：年龄、表情变化人脸识别技术对于人脸年龄和表情的变化较为敏感，尤其是在长时间跨度的数据比对时，容易受到年龄和表情变化的影响，导致识别准确率下降。
解决方案：1. 数据库更新：定期更新人脸数据库，加入不同年龄段和表情状态的人脸图像，提高识别模型的适应性和鲁棒性。
2. 面部特征提取：在识别模型中引入面部特征提取技术，例如基于深度学习的面部表情分析方法，对人脸图像进行情感分析和表情分类，从而减少年龄和表情变化带来的干扰。
四、挑战四：隐私和安全问题人脸识别技术可能涉及到个人隐私和数据安全问题。
基于智能视频分析技术的人脸识别方法[发明专利]
专利内容由知识产权出版社供
专利名称：基于智能视频分析技术的人脸识别方法 专利类型：发明专利 发明人：胡晓晖,徐加兴,董琦 申请号：CN201810956959.0 申请日：20180821 公开号：CN109359504 A 公开日：20190219
摘要：本发明公开的基于智能视频分析技术的人脸识别方法，其主要特征在于，包括第一步：图 像采集模块主要用于连续采集人脸识别区域内的图像；第二步：图像预处理模块对采集到的人脸图像 进行二值化处理；第三步：图像处理模块对人脸图像进行特征提取并组合成特征向量；第四步：图像 分析匹配模块根据特征向量进行分析和匹配；第五步：图像识别模块根据分析匹配结果识别出人脸； 第六步：显示模块对人脸识别结果进行直观展示。本发明提供的基于智能视频分析技术的人脸识别方 法通过对人脸的精确定位，能够自动清晰地完成人脸抓拍到人脸识别的整个过程，识别精准，有效提 高了在复杂环境中人脸识别的准确率，极大降低了各种成本，充分满足用户的需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
随着科学技术的发展和人的安全意识的提高 , 识别技术越来越受到人们的关注 。由于人脸识别不 带有人身侵犯性 , 使用范围广泛 , 使用者无心理障 碍 ,更易于为用户所接受等特点 ,所以基于视频监控 的人脸识别技术倍受人们重视 , 其应用领域也越来 越广泛 :
1) 在生物特征识别方面 , 可用于公安系统的罪 犯身份识别 ,驾驶执照及护照的核对 , 外来移民的管 理等 ;
2 人脸检测
2. 1 运动区域提取
通过视频中相邻两帧的差分 , 可以得到运动区
域的大致范围 ,并对此区域进行一系列的处理 , 如中
值滤波 、数学形态学处理 ,去除一些干扰因素 。为了
增加实验的准确性 , 选取连续三帧的每相邻两帧之
间差分 ,得到 2 个差分图像 ,这 2 个差分图像的相与
结果即可视为中间帧的运动区域 。式 (1) 描述了算
第 7 期 印 勇 ,等 :视频序列对称差分法检测与预测人脸技术
787
小 、位置 、方向 、姿态 (正面 、侧面) 、颜色 、大小等有很 大的可变性 ; ②人脸图像获取过程的不确定性 。例 如光照强度 、光源的数目和方向 、拍摄角度 、照相机 的特性等 ; ③人脸可能被其他物体部分遮住 。所以 , 提出一种能有效地检测到任何情况下任何人脸的通 用算法还不现实[1] 。
图 4 Cb 分量分布图
2. 3 人脸区域的确定 Kot ropo ulo s 和 Pitas 提出的基于规则的人脸定
位方法思路为 :首先定位人脸的范围 ,令 I ( i , j) 表示 图像中象素点 ( i , j) 的强度值 , 求出其水平投影积分 和垂直投影积分 。通过水平投影的积分突变可以找 到头的左边界和右边界 , 通过垂直投影积分的突变 可以找到头的上边界和下边界 。这种方法用欧洲的 AC TSM2V TS 数据库对 37 个人的视频序列获得 86. 5 %的成功率 。
目前 ,常用的人脸检测算法中 , 变形模板匹配法 计算量非常大 ; 神经网络法每个像素就要用到一个 神经元 ,所需神经元数目非常庞大 , 网络训练比较复 杂 ;特征脸法 、概率模型法和矢量机法等需要搜集大 量的人脸和非人脸样本作为训练集 , 训练的好坏对 检测结果影响非常大 。
Zheng [2] 等 提 出 了 一 种 基 于 镶 嵌 图 ( mo saic image) 的人脸检测方法 , 利用人脸内部的灰度分布 规律构建了 3 级人脸检测系统 。该方法的不足之处 在于整个系统中参数较多 、计算量较大 、搜索较费 时 。Sung[3] 等提出基于样本的分布和神经网络的方 法检测人脸 ,但是所需神经元数目庞大 , 训练比较困 难 。张宇[4] 运用差分和肤色相结合的人脸检测方法 检测人脸 ,但是检测效果不是非常好 。潘志庚[5] 等 提出了基于特征人脸和肤色统计的视频人脸检测方 法 ,它在 Kalman 滤波预测的基础上 , 用肤色过滤方 法最终确定人脸的位置和大小 , 是一种能适应不同 环境和光照变化的实时的人脸检测方法 。徐从东[6] 等将肤色信息 、马氏距离和 B P 神经网络相结合对 人脸进行检测 ,取得了较好的实验结果 。H su RL [7] 提出了 一 种 可 变 光 照 及 复 杂 背 景 下 的 肤 色 检 测 算法 , 应用于人脸检测之中 , 取得了较好的结果 。 但是 ,这种方法对颜色偏差问题不能很好地解决 。 Kot ropo ulo s 和 Pitas[8] 提出了一种 基于 规则 的人 脸定位方法 ,上海大学的张友明[9] 、西安电子科技大 学的李春明[10] 分别对这种算法进行了一些改进 , 也 取得了不错的效果 , 但是仍然是仅能对单人脸简单 视频的处理 , 对复杂背景下的多人脸定 位就 无法 处理 。
收稿日期 :2008201202 基金项目 :重庆市应用基础研究资助项目 (6976) 作者简介 :印勇 (19632) ,男 ,重庆大学副教授 ,主要从事图像信息处理 ,视频分析与检索等方向研究 , ( Tel ) 13983175851 ;
( E2mail) yy @ccee. cqu. edu. cn 。
Cr、Cb 2 个分量上的分别情况如图 3 、图 4 所示 。 人脸 区 域 的 Cr、Cb 分 量 的 分 布 范 围 大 约 为 :
135 ≤Cr ≤156 ,108 ≤Cb ≤123 。将视频中的第 k 帧进 行彩色空间变换 ,如果它的 Cr、Cb 分量同时满足这 2 个范围 ,并且是在以上得到的运动区域中 , 就认为此
Yin Yong , Liu Xi2fu
(College of Co mmunicatio n Engineering , Cho ngqing U niver sit y , Cho ngqing 400030 , P. R. China)
Abstract : Based on the continuity and relativity in time and space of video surveillance sequences , similar face areas were found in motion areas using symmetrical frame differences of video sequences and the clustering of skin2color features. By improving the algorithm for face locating and using geometric facial features , multiple faces were detected in complex video sequences. The faces in video sequences were predicted via motion quotiety and horizontal and vertical adjustment factors. The experimental results show that this algorithm has lower complexity , higher veracity , and better robustness in face detection in situations with changing gestures , expressions and backgrounds. The prediction and tracking effect s are satisfied. Key words : face detectio n ; face t racking ; video surveillance ; symmet rical f rame difference
笔者设计了一个视频监控下的人脸检测与预测 流程 ,改进了人脸检测算法 ,使其不仅可以应用于单 人脸检测 ,而且对多人脸的检测同样有较好的准确 率 ,对后续帧中人脸区域进行预测 , 取得较好的 效果 。
1 人脸检测与预测跟踪系统流程
笔者提出的视频监控下人脸检测与预测系统框 架如图 1 所示 。运用对称差分算法得到视频帧中的 运动信息 ,以减少人脸检测时的检测范围 , 节省时间 NhomakorabeaY
0. 299 0 0. 578 0 0. 114 0 R
Cr = 0. 500 0 - 0. 418 7 - 0. 081 3 G +
Cb - 0. 168 7 - 0. 331 3 0. 500 0 B
0
0. 500 0 。
(2)
0. 500 0 因为在此空间中 ,亮度分量 Y 对色度分量影响较 小 ,可以部分免除光照的影响 ; Cr、Cb 2 个色度分量独 立分布 ,互不影响 ;并且人脸的肤色在 Cr、Cb 分量上 相对比较集中 。宋红 、石峰[12] 等人给出了人脸肤色在
r( i , j) = d1 ( i , j) &d2 ( i , j) ,
(1)
其中 : d1 ( i , j) 为中间帧与前一帧的差分 ; d2 ( i , j) 为
后一帧与中间帧的差分 ; Td 为根据自适应阈值选取
方法选取的阈值[11] , 并根据此阈值将差分结果二值
788
重 庆 大 学 学 报 第 31 卷
第 31 卷第 7 期 2008 年 7 月
重庆大学学报 Jo urnal of Cho ngqing U niver sit y
文章编号 :10002582X(2008) 0720786206
Vol. 31 No . 7 J ul. 2008
视频序列对称差分法检测与预测人脸技术
印 勇 ,刘西富
对后续帧中的人脸加以预测 。实验表明 ,该算法复杂度小 ,准确率较高 ,对姿态 、表情 、背景等变化
情况下人脸的检测均具有较好的鲁棒性 ,预测跟踪效果好 。
关键词 :人脸检测 ;人脸跟踪 ;视频监控 ;对称差分
中图分类号 : TP391
文献标志码 :A
Face detection and prediction technology based on video surveillance
2) 在信息安全方面 , 如 Windows 登陆身份鉴 别 、数据库安全管理 、Internet 访问管理 , 以及档案 管理等 ;
3) 用于视频会议 、人机交互和视觉监控 , 以及小 区或其他公共场所的出入口的访问控制等 。
而在人脸识别技术中 , 人脸检测与预测跟踪技 术又是一个至关重要的突破口 , 只有这个问题解决 好了 ,识别技术才能很好地进行 。然而 , 人脸检测技 术还是一项具有挑战性的任务 , 因为 : ①人脸的大
(重庆大学 通信工程学院 ,重庆 400030)
摘 要 :根据视频监控图像在时间和空间上的连续性和相关性 ,利用视频图像对称差分 ,找到
运动区域 ,再结合人脸肤色的聚类特征确定出人脸候选区域 ,改进了基于规则的人脸定位方法 ,利