基于幀間差分與時(shí)空上下文的人臉檢測(cè)跟蹤算法

韋智勇 周立廣

【摘 要】人臉檢測(cè)與跟蹤算法存在尺寸、遮擋、背景等問(wèn)題，同時(shí)時(shí)空上下文跟蹤算法也存在無(wú)法對(duì)目標(biāo)自動(dòng)跟蹤的漏洞，為了改進(jìn)這些缺點(diǎn)，文章把傳統(tǒng)的人臉檢測(cè)用幀間差分法進(jìn)行改進(jìn)，人臉跟蹤算法用時(shí)空上下文跟蹤算法進(jìn)行改進(jìn)，同時(shí)把這兩種算法有機(jī)結(jié)合起來(lái)，彌補(bǔ)時(shí)空上下文跟蹤算法的漏洞，通過(guò)對(duì)比分析改進(jìn)前后的實(shí)驗(yàn)數(shù)據(jù)，改進(jìn)后的算法對(duì)人臉檢測(cè)與跟蹤更具精準(zhǔn)和高效性。

【關(guān)鍵詞】幀間差分;時(shí)空上下文;自動(dòng)檢測(cè);目標(biāo)跟蹤;人臉識(shí)別

【中圖分類(lèi)號(hào)】TP391.41 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2020）05-0056-02

0 引言

隨著信息技術(shù)的高速發(fā)展，檢測(cè)與跟蹤技術(shù)成為視覺(jué)領(lǐng)域的研究熱點(diǎn)，尤其在人臉檢測(cè)和跟蹤方面，發(fā)展尤為迅速。在人臉檢測(cè)算法方面，目前主要有基于特征的人臉檢測(cè)算法、基于統(tǒng)計(jì)的人臉檢測(cè)方法、基于統(tǒng)計(jì)的人臉檢測(cè)方法3類(lèi)，主要是在視頻圖像中確定人臉?biāo)械木唧w位置及大小[1]。隨著人臉檢測(cè)應(yīng)用范圍的逐步擴(kuò)大，對(duì)人臉檢測(cè)精準(zhǔn)性要求也越來(lái)越高，對(duì)人臉檢測(cè)的精準(zhǔn)性提升是將來(lái)的一個(gè)研究方向;對(duì)于人臉跟蹤算法方面，主要是面向任意目標(biāo)的跟蹤方法，即根據(jù)人臉檢測(cè)得出的數(shù)據(jù)，通過(guò)計(jì)算得出目標(biāo)所有的具體位置，該算法主要由目標(biāo)特征、搜索方法及模型更新組成。

1 傳統(tǒng)人臉檢測(cè)與跟蹤算法存在的問(wèn)題

（1）目標(biāo)特征各不相同：每個(gè)目標(biāo)都有自己特征，例如人臉的長(zhǎng)寬、皮膚顏色、面部表情特點(diǎn)等，這些特征對(duì)檢測(cè)有很大的影響。

（2）遮擋：對(duì)于目標(biāo)而言，如果有物品遮擋，例如戴帽子、戴圍巾、衣服遮擋等，此時(shí)對(duì)人臉檢測(cè)會(huì)造成較大的影響，造成人臉識(shí)別上的誤差。

（3）背景的差異：由于每個(gè)目標(biāo)所在的環(huán)境背景不相同，所以目標(biāo)所在的背景與目標(biāo)本身的顏色有可能存在相似或相近的現(xiàn)象，這樣在人臉檢測(cè)過(guò)程中，有可能誤把目標(biāo)的環(huán)境背景當(dāng)成目標(biāo)本身。

（4）低幀率現(xiàn)象：目標(biāo)有時(shí)不處于靜止?fàn)顟B(tài)，如果目標(biāo)處于運(yùn)動(dòng)或高速運(yùn)動(dòng)的狀態(tài)時(shí)，會(huì)造成前后兩幀的變化量較大，進(jìn)而可能會(huì)造成識(shí)別錯(cuò)誤，產(chǎn)生丟幀的現(xiàn)象，即“低幀率現(xiàn)象”，導(dǎo)致無(wú)法跟蹤該目標(biāo)所在的位置。

（5）尺度變化：在目標(biāo)檢測(cè)過(guò)程中，如果目標(biāo)尺度突然發(fā)生變化，目標(biāo)跟蹤如果不能及時(shí)調(diào)整，檢測(cè)可能受到影響。

（6）場(chǎng)景改變：目標(biāo)如果從一個(gè)環(huán)境突然切換到另外一種環(huán)境，有可能無(wú)法對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤，造成目標(biāo)丟失。

（7）其他因素：在目標(biāo)檢測(cè)后成像過(guò)程中，如果受到其他一些外界影響，例如光線、像素等，都有可能會(huì)造成圖像或視頻模糊現(xiàn)象。

2 人臉幀間差分檢測(cè)法

4 算法構(gòu)想

為了能實(shí)現(xiàn)對(duì)人臉跟蹤的實(shí)時(shí)性和穩(wěn)定性，必須解決一些外在因素的影響，例如目的大小變化、背景差異、光線強(qiáng)度、遮擋等。因此，在代代人臉檢測(cè)過(guò)程中，在人臉圖像或視頻幀的采集過(guò)程中引入幀間差分的算法，提高檢測(cè)的精準(zhǔn)性，同時(shí)在跟蹤算法中用時(shí)空上下文算法進(jìn)行替代，通過(guò)建模推算出置信圖，再根據(jù)置信圖換算得出目標(biāo)所有的具體位置，這樣可屏蔽外來(lái)因素的影響，能快速、準(zhǔn)確地定位人臉的具體位置。

此外，對(duì)于時(shí)空上下文算法而言，雖然該算法具有高效性、魯棒性好的特點(diǎn)，但是該算法本身存在一個(gè)缺陷，就是必須用人為方式為該算法提供人臉的相關(guān)數(shù)據(jù)后再進(jìn)行跟蹤，由于人為方式與實(shí)際有著較大差別，故跟蹤的結(jié)果可能存在較大誤差[4]。基于這種情況，如果把基于幀間差分的人臉檢測(cè)方式運(yùn)用到時(shí)空上下文跟蹤算法內(nèi)，把檢測(cè)數(shù)據(jù)直接傳送給時(shí)空上下文跟蹤算法中，通過(guò)這兩個(gè)算法的有機(jī)結(jié)合，可解決時(shí)空上下文跟蹤算法無(wú)法實(shí)行自動(dòng)跟蹤的缺陷問(wèn)題。

5 算法流程

本文把人臉檢測(cè)的幀間差分法和時(shí)空上下文跟蹤法有機(jī)結(jié)合起來(lái)，首先把前后相鄰的幀作差分運(yùn)算，如果值為1則表示前景，反之為0則表示背景，然后把運(yùn)算得到人臉位置及尺寸信息傳給時(shí)空上下文跟蹤模塊，跟蹤模塊根據(jù)傳輸?shù)臄?shù)據(jù)進(jìn)行實(shí)時(shí)跟蹤。算法流程如圖1所示。

6 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法的跟蹤效果，本文對(duì)幾種跟蹤算法進(jìn)行跟蹤效果的對(duì)比，測(cè)試指標(biāo)有中心位置誤差和重疊率，中心位置誤差主要是指在人臉跟蹤過(guò)程中所測(cè)得的目標(biāo)框的位置，與實(shí)際的目標(biāo)中心的位置誤差[5]。其中包括STC、WSTC、KF-STC算法，測(cè)試的條件包括光線、遮擋、旋轉(zhuǎn)，測(cè)試通過(guò)測(cè)試光線、背景條件下的測(cè)試，得出各算法中心位置的誤差和重疊率。同樣，再通過(guò)測(cè)試遮擋、旋轉(zhuǎn)條件下的測(cè)試，得出各算法中心位置的誤差和重疊率[6]。

通過(guò)一系列測(cè)試的實(shí)驗(yàn)結(jié)果，本算法對(duì)傳統(tǒng)人臉檢測(cè)跟蹤，具有較大的改進(jìn)，在遮擋條件下的測(cè)試中，對(duì)模型漂移的問(wèn)題進(jìn)行了整改，在其他的算法中由于各幀的累計(jì)誤差，當(dāng)超過(guò)某一幀時(shí)誤差就會(huì)明顯，跟蹤效果明顯會(huì)差很多，而本文算法，在這一問(wèn)題上得到了優(yōu)化和改進(jìn)，與此同時(shí)，時(shí)空上下文不能自動(dòng)跟蹤的問(wèn)題也得到有效解決。由于跟蹤過(guò)程出現(xiàn)了外界的干擾，幾種方法重疊率較高，而本文算法重疊率較低，即跟蹤效果較好。

7 結(jié)語(yǔ)

本文通過(guò)對(duì)傳統(tǒng)的人臉檢測(cè)算法及跟蹤算法進(jìn)行了改進(jìn)，把這兩種算法有機(jī)結(jié)合，實(shí)現(xiàn)了對(duì)人臉的檢驗(yàn)與跟蹤。幀間差分法具有檢測(cè)快速、精準(zhǔn)、受外界干擾影響較小等特點(diǎn)，能夠準(zhǔn)確地檢測(cè)出人臉的尺寸和中心位置，相對(duì)于傳統(tǒng)的檢測(cè)算法，誤差大大減小，從而提高了人臉跟蹤的精準(zhǔn)性。此外，兩種算法的結(jié)合，還需要進(jìn)一步提高跟蹤的效率，故下一步會(huì)把提高效率作為研究的重點(diǎn)。

參 考 文 獻(xiàn)

[1]湯寶燕，楊紹清，劉松濤.基于時(shí)空上下文的多目標(biāo)跟蹤算法[J].電腦知識(shí)與技術(shù)，2019（6）：62-66.

[2]侯志強(qiáng)，王帥，余旺盛，等.融合檢測(cè)機(jī)制的魯棒相關(guān)濾波視覺(jué)跟蹤算法[J].應(yīng)用光學(xué)，2019（9）：81-85.

[3]Guzzi Francesco，De Bortoli Luca，Molina Romina Soledad，etal.Distillation of an End-to-End Oracle for Face Verification and Recognition Sensors[J].Sensors（Basel，Switzerland），2019（5）：464-468.

[4]靳曉緣，徐望明，伍世虔.基于虛擬曝光融合的光照自適應(yīng)人臉圖像增強(qiáng)方法[J].武漢科技大學(xué)學(xué)報(bào)，2019（10）：93-98.

[5]張培，徐望明，伍世虔，等.基于多方向Gabor特征圖協(xié)同表示的魯棒人臉識(shí)別[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（11）：163-167.

[6]李明生，趙志剛，李強(qiáng)，等.基于改進(jìn)的局部三值模式和深度置信網(wǎng)絡(luò)的人臉識(shí)別算法[J].青島大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（11）：73-76.