[发明专利]基于相关向量机和提升学习的多人脸跟踪方法

说明书

技术领域

本发明涉及一种电信技术领域的方法，具体是一种基于相关向量机和提升学习的多人脸跟踪方法。

背景技术

在图像序列中对目标进行检测和跟踪是计算机视觉的重要研究方向之一，其在智能视觉监控、高级人机交互、视频编码等方面有着广泛的应用，同时有效的目标跟踪也是行为理解的基础。跟踪等价于在连续帧间创建基于位置、速度、色彩、纹理等特征的对应匹配问题，在人脸跟踪的方法中，常见的思路是采用基于肤色的跟踪、基于运动的跟踪和基于局部特征的跟踪。这类方法通常计算复杂性较高，且大多需要手动初始化，不适合真实场景的实时跟踪。近年来，基于统计学习理论的跟踪方法逐渐受到重视。

经对现有技术的文献检索发现，S.Avidan于2001年在《2001 InternationalConference on Computer Vision and Pattern Recognition》(2001年计算视觉与模式识别国际会议)上发表的论文“Support vector tracking”(支持向量跟踪)提出了支持向量跟踪方法，通过将支持向量机与基于光流场的跟踪器相结合，在目标邻域搜索具有最大SVM得分的区域进行跟踪。O.Williams等人于2003年在《TheNinth International Conference on Computer Vision》(第九届计算机视觉国际会议)上发表的文章“A sparse probabilistic learning algorithm for real-timetracking”(一种使用稀疏概率学习的实时跟踪方法)提出通过使用相关向量机学习目标与运动间的回归函数进行跟踪，该方法具有很高的运算效率和跟踪精度，但该方法只能跟踪单个人脸。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于相关向量机和提升学习的多人脸跟踪方法，使其能够自动检测进入场景中的人脸，并对其进行实时跟踪，同时对光照变化等具有一定的鲁棒性。

本发明是通过以下技术方案实现的，包括以下步骤：

步骤一、对场景进行初始化检测，对检测到的人脸构建人脸运动模型和色彩模型，并记录于人脸模型库中；同时初始化检测到的人脸的状态，记录于人脸状态库中；

步骤二、在对场景进行初始化检测之后，开始对这些人脸进行跟踪，在多人脸跟踪过程中，并对跟踪结果进行检测，根据检测结果改变人脸的状态信息，每一人脸在每一时刻必为“正常”、“丢失”和“放弃”三种状态之一；

步骤三、在跟踪过程中，每间隔若干帧启动一次全图像搜索以检测放弃跟踪的人脸和新进入场景的人脸。

所述步骤一，具体为：在跟踪开始前，首先对场景中的人脸使用基于自适应提升学习(AdaBoost)的人脸检测器进行检测，一旦检测到人脸，则构建这些人脸的运动模型和色彩模型，并记录于人脸模型库中。其中人脸运动模型由一系列经过训练的相关向量机组成，每一个相关向量机表征人脸区域与一种运动(水平运动、竖直运动、尺度变化)之间的函数回归；人脸的色彩模型的构建是将人脸区域图像进行亮度补偿之后，将人脸图像变换到YCrCb颜色空间，并采用CrCb子空间的二维直方图作为人脸色彩模型。同时，将这些人脸的状态初始化为“正常”，并记录于人脸状态库中。

所述步骤二，具体为：设计了人脸的三种状态：“正常”、“丢失”和“放弃”，在每一时刻，每一个人脸的状态必为其中一种，人脸状态根据如下规则相互转换：

(1)当某一人脸当前状态为“正常”时，本发明使用人脸运动模型中的三个相关向量机对此人脸区域位置进行回归预测。对于回归预测的结果，本发明使用基于自适应提升学习的人脸检测器和此人脸的色彩模型进行验证，如果基于自适应提升学习的人脸检测器在此回归预测结果中检测到人脸，同时回归预测结果与此人脸的色彩模型匹配，则验证结果为“正常”，其状态保持为“正常”不变；否则验证结果为“丢失”，其状态转换为“丢失”；

(2)当某一人脸当前状态为“丢失”时，本发明在回归预测结果的一个扩大的搜索邻域内，使用基于自适应提升学习的人脸检测器检测人脸，并将检测结果使用人脸相似度矩阵进行匹配，若匹配成功，则说明此人脸在邻域搜索中被重新找到，其状态转换为“正常”，否则其状态仍为“丢失”。若此人脸状态为“丢失”持续了设定时间，则说明此人脸已经离开场景或者已被遮挡，本发明将不再继续对其进行跟踪，其状态转换为“放弃”；

(3)当某一人脸当前状态为“放弃”时，若在某次全图像搜索中检测到此人脸，则其状态转换为“正常”，否则其状态保持为“放弃”不变。