视频人脸检测与追踪方法研究
摘要：在科技飞速发展的今天，视频图像侦查技术在公安工作中发挥的作用越来越显著，尤其是人脸检测与识别技术的广泛应用，极大地提高了公安机关的办案效率。本文研究了一种视频中运动人脸的检测与追踪方法。首先，对视频每帧图像进行分析，使用Haar分类器检测出视频图像中的人脸，锁定人脸区域；然后，对视频序列中的人脸进行跟踪；最后，基于OpenCV视觉库进行了仿真实验。仿真实验结果表明该方法能准确检测出视频中的人脸，可有效排除视频中其他运动物体对跟踪的干扰，能够对运动人脸进行跟踪。
关键词：人脸检测；人脸跟踪；OpenCV；Haar分类器
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）28-0131-05
Study on Face Detection and Tracking Method in Video
LI Yan-xuan1，WANG Rong1，FANG Yin-wang2
（1.People"s Public Security University of China，Beijing 102623；2.Hangzhou State Tax Bureau，Hangzhou 310009）
Abstract： With the rapid development of science and technology， video image detection technology plays an increasingly prominent role in the public security work， especially the wide application of human face detection and recognition technology， which greatly improves the efficiency of public security organs. In this paper， a method of detecting and tracking moving human face in video is studied. Firstly， the video frames are analyzed and the Haar classifier is used to detect the face in the video frames， then the face region is locked， and the human face in the video sequence is tracked. Finally， the simulation experiment is carried out based on the OpenCV. Experimental results show that this method can detect the human face in the video， and can effectively eliminate the interference of other moving objects in the video.
Key words： face detection； face tracking； OpenCV； Haar classifier
视频中人脸信息对于公安的案件侦破、嫌疑人锁定、线索获取、群体性事件和突发事件的预防和控制等方面有着不可或缺的作用，公安机关越来越重视其在公安工作中的应用。目前，公安对于视频信息的利用多数比较被动，怎样在大量且丰富的视频数据中检测和跟踪到感兴趣目标，实现对其进行分析和预判，已成为视频监控技术研究的关键。目前在智能视频分析领域，国内外研究的热点主要集中在算法改进和更高效求解复杂全局化的问题上，以解决检测及跟踪过程中的遮挡问题、光线问题，增强抗干扰能力和鲁棒性。1996年，美国国防高级研究项目署启动了视频监控项目 VSAM（Visual Surveillance and Monitoring），进行视频监控的管理和自动化研究，提出了运用自适应模板匹配的方法进行目标跟踪[1]。Nagel and Enkelman和Black and Weldon等人对光流方法进行了改进[2]。随后，有学者使用“主动轮廓”（active contours）（也称为蛇模型），粒子滤波器（particle filter）对跟踪算法进行改进[2]。国内在这方面的研究虽然起步比较晚，但也已经取得了一定的成就。南京理工大学提出了一种基于连续核密度逼近理论的运动目标检测方法和基于Bagging集成学习的运动阴影消除方法减小背景和照度的影响，通过一种改进的基于空间颜色高斯混合模型的目标跟踪方法提高检测的自适应性[1]。南京邮电大学结合 Meanshift算法和 Kalman（卡尔曼）估计器算法的优点，实现了复杂背景下遮挡弱小物体的跟踪[3]。本文基于Opencv，分解视频序列，利用Haar分类器检测出视频中的人脸，锁定人脸区域，在VisualStudio2010平台上编程实现视频中人脸的跟踪，简化算法复杂程度，提高跟踪的准确性和鲁棒性。
1 人脸检测方法
常用的人脸检测方法大致分为两类：基于特征的人脸检测和基于统计的人脸检测。基于特征的人脸检测根据人脸的五官特征和其位置分布识别出图像中的人脸区域，这种方法容易受到背景中其他物体的干扰，而且如果图像中人脸尺寸太小也无法准确检测，识别率较低。建立人脸模板的方法虽然提高了检测率，但是由于复杂的算法，检测过程耗时太长，检测效率并不理想。基于特征的人脸检测方法对于检测复杂的人脸图像表现出很大的局限性，基于统计的方法越来越受到研究者的青睐。基于统计指使用大量的人脸模板来训练出人脸识别的分类器，通过训练好的分类器与图像特征进行匹配，得到人脸区域。常用的基于统计的人脸检测方法有基于特征空间的检测方法、基于神经网络的检测方法、基于支持向量机的检测方法和Boosting方法[4]。