基于在线增量学习的实时人脸跟踪算法

提出基于在线增量式极端随机森林分类器的实时人脸跟踪算法。算法用在线极端随机森林分类器实现基于检测的跟踪,并结合动态目标框架和P-N学习矫正检测的错误。实验结果表明,该算法能够在不确定背景下对任意人脸实现较长时间段内的稳定快速的实时跟踪,并能有效排除背景等的干扰,效果较好。

基于肤色的人脸实时跟踪方法

提出用于电视电话会议、远程教学、监视与监控等场合的人脸实时跟踪方法 .以人脸肤色模型为基础 ,结合目标形状特征识别方法 ,并用扩展卡尔曼滤波估计目标运动轨迹 ,实现基于肤色的人脸实时跟踪鲁棒方法 .该方法有效地保证了复杂场景下目标跟踪的准确性 ,实现了带遮挡情况下的人脸实时跟踪 .系统跟踪速度达到视频速度 ,对于 PAL制式的视频图像达 30帧 /s,对于 NTSC制式的视频图像达 2 5帧 /s.

人脸跟踪技术在智能家庭服务系统中的应用

提出了一个用于可感知人—机界面系统的快速且鲁棒性强的人脸提取和跟踪算法。算法分两步:首先利用皮肤颜色过滤法和背景去除技术提取出类似皮肤的区域;再利用区域填充和图像分析技术将人的面部分割出来。实验结果证明了此算法的可行性和实时性。