ubuntu及DM3730的人脸跟踪设计软件开发
目录
1 绪论 1
1.1 人脸跟踪的研究背景及意义 1
1.2 国内外人脸跟踪的研究现状 1
1.2.1 国外发展情况 1
1.2.2 国内研究水平 2
1.3 人脸跟踪的问题分类和难点 2
1.3.1 人脸跟踪的方法分类 4
1.4 本课题的研究内容及全文的结构安排 5
1.4.1 本课题的研究内容 5
1.4.2 全文的结构安排 5
2 Ubuntu与DM3730概述 6
2.1 Ubuntu简介 6
2.1.1 VMware的安装 6
2.1.2 Ubuntu的搭建 7
2.2 DM3730开发板简介 8
2.2.1 DM3730硬件组成 8
3 目标区域特征提取 9
3.1 跟踪窗口的特征提取 9
3.2 区域肤色H直方图获取 10
3.3 反向投影法 10
4 基于肤色的Mean Shift跟踪算法 12
4.1 Mean shift算法的基本原理 12
4.2 基于肤色的Mean Shift算法跟踪过程 13
4.3 Mean shift算法的优缺点 15
4.3.1 优点 15
4.3.2缺点 15
4.4 实验结果分析 16
结论 18
致谢 19
参考文献 20
1 绪论
1.1 人脸跟踪的研究背景及意义
人脸跟踪是指序列图像中利用人脸在各帧之间的位置关系，在下一帧中跟踪己经定位的人脸[1-3]。 *好棒文|www.hbsrm.com +Q: ￥351916072￥
它一般用在人脸检测与人脸分析中间，为接下来的人脸分析提供运动参数。人脸跟踪在不同的应用中有不同的作用,因此在不同的应用中需要选用不同的特征作为跟踪信息。比如：在人脸识别系统中，可以用人脸跟踪来发现人脸面部的表情和动作，判断光照的变化，从而提高人脸识别性能；在表情分析系统中，可以跟踪不同面部表情下人脸面部运动变化，从而为表情识别提供特征参数[4]。
随着Internet技术的不断发展，越来越多地方要用到人脸跟踪技术，人脸识别系统已不是人脸跟踪技术发展的唯一方向。例如：在新一代的视频编码技术中，基于内容编码的概念被引入了，这种编码技术是把低压缩率编码应用在感兴趣区域，而图片背景等不感兴趣的地方则使用较高的压缩率编码[5]。因此，在特定的传输条件下，这种编码技术不仅把大部分需要传递的信息保留了下来，还极大地提高了编码效率。人与人之间进行交流时，面部表情会随着交流而发生变化，互相之间传递着大量信息。所以，在这种编码过程中，人脸自然地被选作为感兴趣区域。因为每一帧图像中的人脸区域都要被定位出来，并且把人脸区域从编码图像中分割出来，所以需要对图像中的人脸区域采用较高比特率的编码。
最初人脸跟踪是被应用在人脸识别中，现在随着计算机技术的发展，越来越多的地方要用到人脸跟踪技术。
1.2 国内外人脸跟踪的研究现状
1.2.1 国外发展情况
20世纪末期人们就开始了人脸跟踪技术的研究和探索。早先的Azarbayejani等人，他们把递归估计用在人脸跟踪中[6]。Bradski提出了CAMS(Continuously Adaptive Mean Shift) 算法。
Colmenarez等通过建立一个三维人脸模型，利用这个模型进行人脸跟踪。Basu等把人脸看成是椭球形的，并在其中建立人脸模型，利用这个模型实现人脸跟踪，这个方法能够跟踪到大幅度运动的人脸[7]。
Black和 Yacoob在1995年提出光流场算法，并且把它用到了人脸跟踪系统。这种方法把人脸的运动转换成简单的参数模型[8]。这种方法的优点是跟踪稳定，缺点是当人脸运动幅度过大时跟踪效果不好。
现在，通过建立运动模型，在运动模型中估计运动目标的运动方向和幅度是常用的一种跟踪方法 [9]。这种人脸跟踪方法的过程是在给定的观测量下，估计系统隐含状态量。这类方法计算复杂，实现条件麻烦，不符合实时准确的要求。其中最典型的是贝叶斯估计方法，它是将隐含状态量和用似然函数描述的观测量与状态量结合起来，用贝叶斯公式计算得到未知量的后验概率，但是贝叶斯估计的迭代计算只有在特定的模型和假设下才有解析，包括卡尔曼滤波和隐马尔可夫滤波。
1.2.2 国内研究水平
近年来，我国的研究人员也对人脸跟踪 进行了大量研究，很多人的研究成果已经被用到商品中，有些已经在市场上出现。近期对人脸跟踪比较有名的研究是艾海舟完成的，他对人脸跟踪在实际应用中进行了测试。对一个在办公桌前的人，用差分图像法建立目标模型，对人进行定位跟踪 [10]。这种方法每次连续地运行5分钟，每次共有1123帧128×128的图像或64×64的图像2610帧，跟踪结果正确率大于97%。同时，在ICIP， AFGR ，CVPR等重要的国际会议上许多学者也发表了大量这方面的文章。
1.3 人脸跟踪的问题分类和难点
*好棒文|www.hbsrm.com +Q: ￥351916072￥
在人的所有特征中，人脸是最容易区分人的特征，但人脸有着丰富的表情变化，这些变化会影响人脸的形状等，所以对计算机视觉与模式识别来说，要检测与跟踪人脸是非常困难的。而人脸跟踪系统在实际应用中因为不同的环境的、不同的应用目的等原因，人脸跟踪变得更加复杂。所以要做好人脸跟踪，要了解它需要解决的问题，同时了解一些常见的人脸跟踪方法。
根据摄像机固不固定分成：静止摄像机和活动摄像机。静止摄像机是通过逐渐去除背景，但摄像机却不动来寻找人脸区域的。活动摄像机是指通过对背景建模，同时移动摄像机来寻找人脸区域，这种方法不能用逐渐去除背景的方法寻找人脸区域。
根据图像颜色不同可以将图像分成彩色图像和灰度图像：彩色图像中把肤色作为人脸特征，以此对人脸进行搜索，但需要考虑不同的肤色和不同光照条件的对跟踪的影响[11]。在彩色图片中，要建立一个有很好的适应性能，不受肤色和光照条件影响的肤色模型。灰度图像依靠人脸的轮廓、运动的估计、脸部特征等方法进行人脸跟踪，肤色信息在灰度图像中不明显，所以不能用来进行跟踪。
根据人脸姿态可以将人脸分成正面和旋转：正面人脸跟踪，由于正对着人脸，所以人脸变化很小，但由于远近的原因人脸大小会发生变化，所以经常把人脸的局部器官作为特征来进行人脸跟踪 [12]。旋转的人脸跟踪难度比较大，当人脸旋转时，人脸发生变化，器官特征不明显，以人脸器官作为特征来跟踪则不太适合，很有可能会失败。
根据图像背景复杂程度可将图片分成简单背景图片和复杂背景图片。简单背景下人脸比较突出，很容易区分，用背景减法和边缘检测法都能够取得很好的效果[13]。复杂背景是指图像背景中含有类人脸物体，这些会干扰跟踪焦点，使焦点不能准确定位到人脸，最终导致丢失跟踪目标。
2）基于肤色信息的人脸跟踪
在一张图片中，最简单地区分人脸区域的方法是依据肤色特征来区分，当人脸转动，表情发生变化时，这些细节特征都不影响人脸的区分，而且人脸的肤色一般和背景物体的颜色不同，所以以肤色作为特征跟踪人脸稳定性比较高。所以肤色特征是最常被用在人脸检测中的。主要通过建立肤色模型来表示肤色特征。基于肤色的人脸检测首先要对肤色区域进行分割，然后再进行人脸检测。建立肤色模型后,要进行肤色检测，以便于检测出肤色像素，和初始帧的色度与位置对比，得到人脸区域，然后根据区域的灰度特征值来排除其它类似肤色的物体，验证是不是人脸。所以这两种方法在很多人脸跟踪中通常是同时被用到的。
1 绪论 1
1.1 人脸跟踪的研究背景及意义 1
1.2 国内外人脸跟踪的研究现状 1
1.2.1 国外发展情况 1
1.2.2 国内研究水平 2
1.3 人脸跟踪的问题分类和难点 2
1.3.1 人脸跟踪的方法分类 4
1.4 本课题的研究内容及全文的结构安排 5
1.4.1 本课题的研究内容 5
1.4.2 全文的结构安排 5
2 Ubuntu与DM3730概述 6
2.1 Ubuntu简介 6
2.1.1 VMware的安装 6
2.1.2 Ubuntu的搭建 7
2.2 DM3730开发板简介 8
2.2.1 DM3730硬件组成 8
3 目标区域特征提取 9
3.1 跟踪窗口的特征提取 9
3.2 区域肤色H直方图获取 10
3.3 反向投影法 10
4 基于肤色的Mean Shift跟踪算法 12
4.1 Mean shift算法的基本原理 12
4.2 基于肤色的Mean Shift算法跟踪过程 13
4.3 Mean shift算法的优缺点 15
4.3.1 优点 15
4.3.2缺点 15
4.4 实验结果分析 16
结论 18
致谢 19
参考文献 20
1 绪论
1.1 人脸跟踪的研究背景及意义
人脸跟踪是指序列图像中利用人脸在各帧之间的位置关系，在下一帧中跟踪己经定位的人脸[1-3]。 *好棒文|www.hbsrm.com +Q: ￥351916072￥
它一般用在人脸检测与人脸分析中间，为接下来的人脸分析提供运动参数。人脸跟踪在不同的应用中有不同的作用,因此在不同的应用中需要选用不同的特征作为跟踪信息。比如：在人脸识别系统中，可以用人脸跟踪来发现人脸面部的表情和动作，判断光照的变化，从而提高人脸识别性能；在表情分析系统中，可以跟踪不同面部表情下人脸面部运动变化，从而为表情识别提供特征参数[4]。
随着Internet技术的不断发展，越来越多地方要用到人脸跟踪技术，人脸识别系统已不是人脸跟踪技术发展的唯一方向。例如：在新一代的视频编码技术中，基于内容编码的概念被引入了，这种编码技术是把低压缩率编码应用在感兴趣区域，而图片背景等不感兴趣的地方则使用较高的压缩率编码[5]。因此，在特定的传输条件下，这种编码技术不仅把大部分需要传递的信息保留了下来，还极大地提高了编码效率。人与人之间进行交流时，面部表情会随着交流而发生变化，互相之间传递着大量信息。所以，在这种编码过程中，人脸自然地被选作为感兴趣区域。因为每一帧图像中的人脸区域都要被定位出来，并且把人脸区域从编码图像中分割出来，所以需要对图像中的人脸区域采用较高比特率的编码。
最初人脸跟踪是被应用在人脸识别中，现在随着计算机技术的发展，越来越多的地方要用到人脸跟踪技术。
1.2 国内外人脸跟踪的研究现状
1.2.1 国外发展情况
20世纪末期人们就开始了人脸跟踪技术的研究和探索。早先的Azarbayejani等人，他们把递归估计用在人脸跟踪中[6]。Bradski提出了CAMS(Continuously Adaptive Mean Shift) 算法。
Colmenarez等通过建立一个三维人脸模型，利用这个模型进行人脸跟踪。Basu等把人脸看成是椭球形的，并在其中建立人脸模型，利用这个模型实现人脸跟踪，这个方法能够跟踪到大幅度运动的人脸[7]。
Black和 Yacoob在1995年提出光流场算法，并且把它用到了人脸跟踪系统。这种方法把人脸的运动转换成简单的参数模型[8]。这种方法的优点是跟踪稳定，缺点是当人脸运动幅度过大时跟踪效果不好。
现在，通过建立运动模型，在运动模型中估计运动目标的运动方向和幅度是常用的一种跟踪方法 [9]。这种人脸跟踪方法的过程是在给定的观测量下，估计系统隐含状态量。这类方法计算复杂，实现条件麻烦，不符合实时准确的要求。其中最典型的是贝叶斯估计方法，它是将隐含状态量和用似然函数描述的观测量与状态量结合起来，用贝叶斯公式计算得到未知量的后验概率，但是贝叶斯估计的迭代计算只有在特定的模型和假设下才有解析，包括卡尔曼滤波和隐马尔可夫滤波。
1.2.2 国内研究水平
近年来，我国的研究人员也对人脸跟踪 进行了大量研究，很多人的研究成果已经被用到商品中，有些已经在市场上出现。近期对人脸跟踪比较有名的研究是艾海舟完成的，他对人脸跟踪在实际应用中进行了测试。对一个在办公桌前的人，用差分图像法建立目标模型，对人进行定位跟踪 [10]。这种方法每次连续地运行5分钟，每次共有1123帧128×128的图像或64×64的图像2610帧，跟踪结果正确率大于97%。同时，在ICIP， AFGR ，CVPR等重要的国际会议上许多学者也发表了大量这方面的文章。
1.3 人脸跟踪的问题分类和难点
*好棒文|www.hbsrm.com +Q: ￥351916072￥
在人的所有特征中，人脸是最容易区分人的特征，但人脸有着丰富的表情变化，这些变化会影响人脸的形状等，所以对计算机视觉与模式识别来说，要检测与跟踪人脸是非常困难的。而人脸跟踪系统在实际应用中因为不同的环境的、不同的应用目的等原因，人脸跟踪变得更加复杂。所以要做好人脸跟踪，要了解它需要解决的问题，同时了解一些常见的人脸跟踪方法。
根据摄像机固不固定分成：静止摄像机和活动摄像机。静止摄像机是通过逐渐去除背景，但摄像机却不动来寻找人脸区域的。活动摄像机是指通过对背景建模，同时移动摄像机来寻找人脸区域，这种方法不能用逐渐去除背景的方法寻找人脸区域。
根据图像颜色不同可以将图像分成彩色图像和灰度图像：彩色图像中把肤色作为人脸特征，以此对人脸进行搜索，但需要考虑不同的肤色和不同光照条件的对跟踪的影响[11]。在彩色图片中，要建立一个有很好的适应性能，不受肤色和光照条件影响的肤色模型。灰度图像依靠人脸的轮廓、运动的估计、脸部特征等方法进行人脸跟踪，肤色信息在灰度图像中不明显，所以不能用来进行跟踪。
根据人脸姿态可以将人脸分成正面和旋转：正面人脸跟踪，由于正对着人脸，所以人脸变化很小，但由于远近的原因人脸大小会发生变化，所以经常把人脸的局部器官作为特征来进行人脸跟踪 [12]。旋转的人脸跟踪难度比较大，当人脸旋转时，人脸发生变化，器官特征不明显，以人脸器官作为特征来跟踪则不太适合，很有可能会失败。
根据图像背景复杂程度可将图片分成简单背景图片和复杂背景图片。简单背景下人脸比较突出，很容易区分，用背景减法和边缘检测法都能够取得很好的效果[13]。复杂背景是指图像背景中含有类人脸物体，这些会干扰跟踪焦点，使焦点不能准确定位到人脸，最终导致丢失跟踪目标。
2）基于肤色信息的人脸跟踪
在一张图片中，最简单地区分人脸区域的方法是依据肤色特征来区分，当人脸转动，表情发生变化时，这些细节特征都不影响人脸的区分，而且人脸的肤色一般和背景物体的颜色不同，所以以肤色作为特征跟踪人脸稳定性比较高。所以肤色特征是最常被用在人脸检测中的。主要通过建立肤色模型来表示肤色特征。基于肤色的人脸检测首先要对肤色区域进行分割，然后再进行人脸检测。建立肤色模型后,要进行肤色检测，以便于检测出肤色像素，和初始帧的色度与位置对比，得到人脸区域，然后根据区域的灰度特征值来排除其它类似肤色的物体，验证是不是人脸。所以这两种方法在很多人脸跟踪中通常是同时被用到的。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2243.html
