[发明专利]基于增量学习算法的人脸识别跟踪器

说明书

本发明公开了一种基于Haar‑like特征和增量学习算法的人脸识别跟踪器，主要涉及计算机视觉和图像处理领域。本发明使用积分图对Haar‑like特征求值进行加速，使用AdaBoost算法训练区分人脸和非人脸的强分类器，用筛选式级联把强分类器级联到一起，从而提高准确率。人脸追踪部分根据上一帧图像追踪框的中心点的位置，预测本时刻框中心点的位置。利用PCA算法提取框中图像的主要特征，根据本时刻框中心点的位置预测相应的降维后的图形。引入遗忘因子，每五帧一次更新图像数据。这种增量算法无需训练模型，从而提高了效率。理论和实践表明，我们的方法能够自动识别人脸，在人脸的方向产生巨大变化时如正脸变成侧脸时可以继续识别跟踪，并保持连续性的识别，避免了中断。

技术领域

本发明属于一种基于Haar-like特征和增量学习算法的人脸识别跟踪器。

背景技术

随着计算机成本的降低和计算机视觉技术的发展，计算机视觉领域呈现出了越来越多的应用。其中，人脸识别与追踪是一个关键的应用，在许多领域都起着重要的作用。

人脸识别技术的研究如今已成为一个热门的研究领域，并被广泛应用。例如在公共安全领域，该技术被应用于视频监控、海关身份验证、公安布控等；在金融领域，该技术被应用于银行交易、互联网支付、银行卡办理的身份验证；在日常生活方面，该技术也有一些有趣的应用，例如智能家政机器人，具有人脸识别功能的虚拟游戏等。据相关市场调查，人脸识别技术在产业中占据一定份额，其主动、直接、便捷、可信度高等特点，必定会促进其在接下来的社会发展中持续进步，所以说人脸识别技术前景将十分可观。

人脸识别技术的研究可以追溯至19世纪Galton的工作。一百多年过去了，人脸识别技术在飞速进步中。从研究面部的剪影曲线的结构特征，到检测特征脸，再到基于光照锥模型的多姿态、多光照条件人脸识别方法，人脸识别的检测率如今已有了很高的准确率。本文中，我们通过检测人脸的Haar-like特征，并使用Adaboost机器学习算法，级联多个分类器对机器进行训练，从而更高效、更准确的达到人脸识别目的。

人脸跟踪的传统算法的计算方法是利用奇异值分解来简化运算，但是因为跟踪物体的外形，环境光线会随着时间而变化，所以需要一个更新特征基向量的方法。传统的实现为：

若要根据新增的m张图片改变模型，我们可以通过将[(I_1-I^-^‘)…(I_(n+m)-I^-^')]矩阵进行奇异值分解U^'Σ^'〖V^'〗^T此种方法存在的弊端是每次更新都需要重新计算所有数据的特征基向量。伴随着跟踪时间的增长，每次更新特征基向量的计算量会线性增长，故使用此方法无法实现长时间的人脸跟踪，并且对计算能力的消耗较多。

发明内容

本发明结合Haar-like级联分类器与增量学习算法，提供一种识别率高的人脸识别跟踪器。

为了实现上述目的，本发明实例提供的技术方案如下：

步骤1)对于摄像头所拍摄到的每一帧图像进行归一化处理；

步骤2)使用Haar-like级联分类器进行归一化图像的人脸检测，并框出所检测到的人脸，记录框内数据；

步骤3)将方框数据(中点位置，大小)传入追踪器作为第一帧的追踪目标；

步骤4)追踪算法自动识别出人脸作为第一帧；

步骤5)计算方框内的像素点的特征基向量(寻找方框内像素点互相的关系)；

步骤6)进入循环，计算物体在初始点为中心的周围点的概率分布；

步骤7)追踪器根据观测模型计算得出的权重，预测下一帧的位置；

步骤8)记录所预测的方框内像素点的特征基向量；