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.

基于视频的心率测量算法研究

随着心脏的收缩舒张,人脸部毛细血管中氧合血红蛋白的含量会发生变化。由于氧合血红蛋白对光线有一定的吸收作用,皮肤颜色也会随之发生轻微变化,这种变化裸眼无法识别。利用一种有效的视频增强方法,提出了一种基于视频的心率测量算法。该算法对输入视频进行人脸定位与特征点跟踪,将特征点区域转换为时域信号,对信号进行放大滤波处理,得到心率值。为了提高算法的测量精度和鲁棒性,提出了利用绿色通道、多特征点同时处理。同传统的接触式心率测量设备相比,该算法无需接触人体,有着对人体束缚度小、方便使用的优点。同时,该心率测量算法可实时运行,平均误差仅为3.46次/min,达到实际应用需求。

基于视频的人脸检测综述

在实时系统中视频人脸的检测与跟踪技术已成为人脸识别领域最活跃的研究方向之一,介绍了人脸检测的应用,对提高检测和跟踪的鲁棒性和精确性问题的理论研究算法进行了总结。分别讨论并评价了人脸检测的几种基本方法,介绍了近年来研究者们研究的新方法并对人脸检测研究中存在的问题和今后的发展进行了讨论。

应用于人脸自动实时跟踪的改进Struck算法

传统的Struck算法在人脸跟踪系统中,需要手动实现初始化且易受环境影响。文中提出一种基于Ada Boost目标自动检测和改进的Struck人脸自动跟踪算法。从图像中提取人脸的Haar特征,采用Ada Boost算法实现人脸的检测,并自动初始化跟踪器,再依据检测得到的相邻帧目标的相似度判定跟踪目标的有效性,采用Struck算法实现人脸的连续跟踪。实验结果表明,改进的算法有效解决了部分遮挡、尺度变化、光照变化等人脸跟踪难题,且具有较高的鲁棒性与准确性。

基于机器人操作系统的机器人自主追踪系统设计

为了解决移动机器人在机器人操作系统(robot operating system,ROS)中的人脸追踪问题,提出一种基于Siamese目标跟踪算法开发的追踪系统。首先,开发了追踪系统的硬件平台;其次,开发了Siamese跟踪算法,实现了对人脸目标的实时跟踪;最后,实现了导航系统与视觉系统的开发及融合,并通过实时记录的追踪数据与追踪曲线,分析了该系统的追踪性能。实验结果表明:该系统能够在ROS系统下实现对人脸目标的实时跟踪。

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。

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Android平台的人脸跟踪系统设计与实现（英文）

针对现阶段大多数Android平台下人脸检测与跟踪系统精度不高的问题,设计了一种基于Android平台的无监督人脸目标检测与跟踪系统来解决这个问题。该系统采用基于粒子滤波和背景减除的方法,能够在无先验知识的情况下自动探测和跟踪视频监控序列中移动人脸目标。采用VC++和Open CV对该方法进行了具体实现,并介绍了开发环境搭建,最后成功移植到Android平台上。实验测试结果表明,该方法可以成功地检测并跟踪人脸目标。与其他方法进行比较,提出的方法的实时性和稳健性能更高,即跟踪效果更好。

面向不同距离的实时人体检测与跟踪系统

提出一种实时的覆盖不同距离的人体检测与跟踪系统,可快速准确检测和跟踪监控区域内出现的人体目标.该系统通过使用背景减除技术,分割背景与移动前景,缩小检测范围.针对在不同距离下便于提取的人体特征不同的情况,系统结合人体轮廓、头部、人脸等多种不同的特征描述、检测方式,并且充分利用视频信息在时间上的连续性及人体部分几何尺寸位置关系的先验知识,提高检测跟踪的效率和准确度.该系统较好地解决由于目标相对摄像机距离的改变导致跟踪失败或速度过慢的问题.

一种复杂环境下的动态多人脸自动检测与实时跟踪方法

针对复杂环境下,基于肤色信息的Cam Shift（continuously adaptive Mean-Shift）算法跟踪运动人脸的实时性欠佳,且同一时刻只能跟踪一个人脸的问题,提出了一种适于复杂环境下多人脸目标的自动检测与实时跟踪的方法。该方法利用Ada Boost（adaptive boosting）算法进行背景消除,提取可能包含活动人脸的区域进行人脸验证,采用多线程的Cam Shift算法,即MT-Cam Shift跟踪算法,实现人脸相互交错及人脸数目发生变化时的多人脸跟踪,从而实现动态多人脸的自动检测与实时跟踪。在任意复杂环境下,该方法的正确检测率可达89.86%,误检率可降至2.78%;其检测跟踪周期为35.88-42.84 ms,有效地达到了25 fps的实时刷屏要求。实验结果表明,该方法可实时稳健地在复杂环境下实现多人脸的自动检测与实时跟踪。

基于云平台的校车安全管理系统的设计与实现

为了保障校车安全运行,本文提出了一套为校车量身定制的管理系统:基于云平台的校车安全管理系统。该系统利用北斗/GPS双模定位方式采集车辆定位数据;利用4G无线网络传输车载终端的音视频信息、人脸识别信息等信息;利用云计算技术将系统的应用程序部署到云端,实现对数据资源的统一管理和调度,让资源得到充分利用和共享。相关监管部门的管理人员(如教育局、学校、学生家长、老师等)通过电脑或手机APP访问云端的校车安全管理系统对校车进行定位跟踪、实时监控等操作,该系统还能实现自动预警、应急联动等智能管理。

基于NiosⅡ软核的人脸目标实时跟踪系统

提出采用低功耗芯片EP3C40为核心,结合Nios Ⅱ软核处理器的高处理性能,实现人脸视频信号采集与跟踪,并将相关检测跟踪算法移植于Nios Ⅱ处理器协同工作的方式实现整体系统的工作。实验结果表明,在环境微弱变化以及人脸不同姿态下,系统都能检测并准确跟踪,同时硬件可重构能力强,算法简单、快速、鲁棒性强。

基于深度学习的人脸追踪安防监控系统

针对现有监控系统存在的问题,提出了结构创新和算法改进,构建人工智能中的深度学习Tensor Flow神经网络框架,通过树莓派控制摄像头读取当前监控环境,用OpenC V进行图像分析处理并自动跟随人脸转动,实现了无死角的监控和对人体流量识别及检测,具有夜视镜头跟踪人物断电续航的功能,还可用手机实时查看监控及控制摄像头转动。一旦检测到有害气体或识别嫌疑人,立即启动声光报警并发送警报给用户手机,及时作相应响应处理,提供更智能有效的防护,在监控、家庭安全隐患检测等方面有着极其重要意义。

低光照下的改进的CAMShift人脸跟踪算法

在低光照的情况下,传统的CAMShift在对人脸跟踪时存在亮度较低,跟踪不到目标、目标运动较快,以至于目标跟丢、目标容易受遮挡等问题。针对传统算法存在的一系列问题,提出一种改进的CAMShift算法,将马尔科夫方向预测与LBP纹理特征融入CAMShift算法中。采用LBP纹理特征对跟踪目标进行检测,可以在低光照情况下获取与目标更接近、更好的目标特征与边界框,提高算法的跟踪准确率;针对低光照情况下或在受遮挡情况下目标丢失的问题,采用马尔科夫算法进行目标运动的方向预测,可以缩小检测的位置区域,提高算法的效率。对比实验结果表明,改进算法与传统算法相比具有较高的准确率和实时性。

?一种在复杂光照条件下的人脸跟踪算法

针对光照以及人脸的尺度变换、遮挡等问题,提出一种基于多尺度韦伯脸与实时压缩在复杂光照情况下的跟踪算法。对实时压缩跟踪方法的理论模型的认真分析与研究,提出采用光照预处理方法来提高复杂光照情况下跟踪过程中目标信息的采集精准度。在目标检测跟踪过程中,与经典的实时压缩跟踪算法相比,基于多尺度韦伯脸与实时压缩的人脸跟踪算法在复杂光照情况下跟踪性能得到明显提升,能较好应对人脸尺度变换及局部遮挡的情况。

基于轻量级深度网络的动态人脸跟踪方法

为解决人脸跟踪过程中特征提取速度慢、跟踪实时性不足,尤其在人脸快速大范围移动及多人物视野下极易导致跟丢或错跟的问题,提出基于轻量级深度网络的动态跟踪方法。对人脸图像进行数据增强和人脸区域标注,搭建基于分散注意力机制的异构网络快速提取人脸信息;在此基础上引入观测框动量跟踪算法,有效捕捉包括骤移、骤停、大范围快速移动等在内的人脸信息,结合多元回归函数提升跟踪稳定性。实验结果表明,在跟踪效果上更流畅、高效,实际跟踪速度达52帧每秒,对人脸快速移动、遮挡、复杂场景变换等都有较强的鲁棒性和较高的实时性。

基于Haar检测和改进的Camshift的人脸跟踪

针对人脸目标的遮挡大角度倾斜和旋转状态下的目标跟踪丢失问题,提出了一种时间回溯的人脸跟踪方法。以Haar特征检测和改进Camshift算法为基础,在Haar分类器中引入时间变量,实现回溯;在概率密度图像中引入变加权直方图模型,加大了人脸区域的权重,并辅以光照补偿、椭圆模板匹配等方法。实验表明,本文算法能够有效克服遮挡问题和丢失问题,效果优于其他算法,并满足实时跟踪的需要。