视频监控中的人脸检测与跟踪

摘 要

人脸检测研究经历了由简单到复杂的发展阶段，目前已经完成了静态图像检测到视频实时检测的转变，现已广泛应用于视频监控、安全访问控制等领域。本文在当前人脸检测主要算法基础上，对AdaBoost学习算法进行分析，重点对视频监控中的人脸检测及跟踪设计进行探讨，以期能够对相关研究有所帮助。

【关键词】人脸检测 视频监控 AdaBoost算法 跟踪

人脸的处理是计算机视觉研究的重要内容之一，其在计算机视觉研究中占有非常重要的地位，近年来，随着计算机视觉技术及模式识别技术的快速发展，尤其是互联网的超高速发展，人脸处理获得了更为广泛的应用，其中，人脸识别技术现已成为一个信息的快速增长市场，作为人脸识别的前期工作，人脸检测受到越来越多的重视。鉴于当前人脸检测算法存在的高错检率的问题，有必要对视频监控中的人脸检测技术，尤其是人脸检测算法进行完善。

1 人脸检测的特征依据及AdaBoost学习算法原理分析

1.1 人脸检测的特征依据

人脸的共性特征为人脸检测提供了依据，对于显性的特征，可借助先验知识进行直观总结，对于隐性的特征，则需要通过统计学处理进行特征提取。人脸检测的特征依据可以概括为以下三点：其一，几何结构特征规则，主要包括器官分布规则、轮廓规则和对称性规则，就器官分布规则而言，人脸部器官空间位置相对固定，各器官之间存在着先验的约束关系；其二，人脸器官的图像灰度特性，人体五官分布具有一定的规律性，在灰度图中，眼睛、眉毛、鼻子相对脸部其他区域而言，其灰度要深一些，与周围区域具有较强的对比性，能够反映人脸的内在特征；其三，人脸的肤色及纹理规则，利用肤色模型来检测肤色，能够对图像中的人脸进行定位，通常还会以空间灰度共生矩阵纹理信息作为特征，可达到低分辨率的人脸检测效果。总而言之，基于统计的检测方法主要是利用人脸所固有的隐性信息建模来完成分类，而人脸检测的实质也就是模式识别问题，目前常见的人脸检测方法主要包括镶嵌图法、模板匹配法、颜色信息法等。

1.2 AdaBoost学习算法原理

AdaBoost算法针对的是不同的弱分类器，将其在不同训练集上得到的分类器集合起来，便构成了一个强分类器，其分类能力远超过随机猜测，当然，AdaBoost训练也存在一些缺点，因其大量运用简单分类器及训练样本，运用比较耗时，为了提高人脸检测的速度，基于积分图像特征的AdaBoost检测算法被提出，该方法具有良好的识别效果，采用积分图像的形式快速计算人脸特征，并运用AdaBoost学习算法对人脸特征进行挑选和集成，将若干强分类器串联起来构成一个层叠分类器，极大地提高了系统的错误率以及相应速度。AdaBoost的每个循环都要从众多的特征中选取一个特征，最初所选择的矩形特征尤为重要，在Viola学习法中，得到的是位于第一位和第二位的特征，前者描述的是人眼水平区域，后者区分的是眼睛和鼻梁部位的明暗边界，检测器显示的是边界特征、细线特征和对角线特征，该模式在图像处理初期就已建立一个积分图像，能够对人脸图像进行实时计算，级联强分类器又将复杂的特征放在后面，这样的结构提高了检测算法的效率，同时也有效降低了错误率。

2 视频监控中的人脸检测跟踪流程及实现方法

2.1 人脸检测跟踪流程

人脸检测技术和实时跟踪技术均是视频监控系统中的重要组成部分，在视频监控中，研究对象主要来自于录像中的图像序列，这实际上是由一些列静止图片构成的，静止图片方法可以适用在这里，但是人脸检测处理要比静止图片的处理难很多，如存在的部分遮挡以及化妆现象，都会影响到检测，加之获取条件的限制，人脸过小可能会漏检。人脸检测跟踪流程为：目标区域→摄像机→图像采集卡→图像预处理→人脸检测→判断是否有人脸→跟踪并标记人脸位置→提交人脸数据。在训练和检测过程中，人脸图像只有通过预处理才能减少因光线强度、图像背景等因素造成的影响。AdaBoost是一种基于灰度特性的算法，以矩形特征值为分类依据，其缺点可能将符合条件的特定图像误判为人脸，为提高检验的精确性，应对检测结果进行检验，根据人脸几何特征约束性关系，来进行归并处理，最终统计出该区域内的人脸肤色象素点总数，计算出其与候选区域内像素点总数的百分比，百分比与阀值的关系即是人脸的判断依据，超过阀值表明该区域包含人脸。

2.2 实时跟踪实现方法

在输入图像序列中能够确定人脸的大小变化及运动轨迹，这就是人脸跟踪技术，该技术的应用前景十分广阔，也是视频监控领域的一项关键性技术。实时跟踪应基于模型的方法和运动的方法，前者是根据先验知识来构造目标模型，后者采用的是分割等方法对人脸运动进行跟踪，其实质仍然没有脱离目标检测，其关键在于提高了对算法的要求，目标跟踪问题的解决有两个基本思路：一是将目标跟踪视为图像中的人脸检测问题，二是将目标跟踪视为运动估计问题。人脸跟踪与人脸检测关系密切，将二者放在统一框架下考虑，有助于对人脸的及时检测和准确定位。视频监控中的人脸质量并不高，大小和姿态都可能发生变化，要想达到实时性的要求，只能通过人脸跟踪的方法来实现，综合分析人脸是否已经出现以及检测过，从而为后续处理提供依据。

3 结论

综上所述，人脸检测是视觉研究领域的前沿课题，利用AdaBoost算法与人脸检测技术相结合并应用于视频监控中，对人脸检测算法进行完善，备受研究者的关注。本研究选择了目前最好的检测方法，对AdaBoost算法和肤色识别方法的优点进行综合运用，提出了一种实时跟踪的实现方法，为下一帧的检测及后续处理提供了必要的依据。

参考文献

[1]陈慧杰.视频监控中的行人检测与跟踪方法研究[D].厦门大学，2014.

[2]曾龙龙.基于视频监控的实时人脸检测与跟踪算法研究[D].浙江理工大学，2012.

[3]郭鹏飞.视频监控中的人脸检测与识别[D].南京理工大学，2010.

[4]朱建清.智能视频监控系统中的人脸检测和人脸跟踪技术的研究[D].华侨大学，2012.

作者简介

雷远伟（1982-），男，畲族，福建省古田县人。2005年毕业于中南民族大学计算机科学与技术专业。现为福州市公安局刑事侦查支队民警。研究方向为警用地理信息应用、视频监控中的人车识别与模糊图像处理。

作者单位

福州市公安局刑事侦查支队 福建省福州市 350001