基于卡尔曼滤波的人脸跟踪算法

计算机视觉中的人脸跟踪技术研究随着人工智能和计算机视觉的发展，人脸跟踪技术逐渐成为了计算机视觉研究的热点之一，被广泛应用于人脸识别、智能安防、虚拟现实和游戏等领域。

一、人脸跟踪技术的基本原理人脸跟踪技术主要通过对视频帧或图像序列中的人脸进行识别和定位，从而实现对人脸的跟踪。

人脸跟踪的基本原理是先采用人脸检测算法对视频帧或图像中的人脸进行初步检测和定位，然后使用目标跟踪算法将检测到的人脸进行跟踪。

一般情况下，目标跟踪算法主要包括相似度跟踪算法、卡尔曼滤波跟踪算法、粒子滤波跟踪算法等。

二、人脸检测算法人脸检测算法是人脸跟踪技术的关键步骤之一，它是识别和定位视频帧或图像中人脸的基础。

一般来说，人脸检测算法可以分为基于特征的检测算法和基于深度学习的检测算法两种。

基于特征的检测算法主要是依靠一些已知的特征和模板信息来进行人脸检测。

常见的方法包括Haar特征、LBP特征和HOG特征等。

这类算法已经被证明在许多领域中具有较好的性能。

而基于深度学习的人脸检测算法则是利用神经网络进行训练，包括了一种经典的算法——卷积神经网络(CNN)。

CNN在许多人工智能领域中表现出了出色的性能，人脸检测也不例外。

当前，基于深度学习的人脸检测算法已经成为了主流的人脸检测方法。

三、目标跟踪算法目标跟踪算法是将人脸检测到的目标在接下来的帧中进行追踪，其核心思想是通过初始化一个目标的位置，然后通过识别和匹配每帧中目标的特征点来进行跟踪。

相似度跟踪算法是一个最简单、最常用的目标跟踪算法，其思想是将每一帧中目标与预设目标进行相似度比较，找到相似度最高的目标。

卡尔曼滤波跟踪算法是一种基于状态估计的目标跟踪算法。

它采用了一个动态系统的模型来对目标进行建模，从而实现对目标轨迹的预测和跟踪。

粒子滤波跟踪算法则是一种随机滤波算法，通过对目标进行一定数量的随机采样，利用粒子的权重对目标进行跟踪。

四、人脸跟踪算法的应用人脸跟踪技术广泛应用于人脸识别、智能安防、虚拟现实和游戏等领域。

万方数据１７４模式识别与人工智能１７卷方法不仅具有直观、实现简单和快速等优点，而且对姿态变化不敏感【４］，因此，在本文中，对于彩色图像即采用此人脸检测及定位方法．在检测出人脸之后，就用Ｂｌｏｂ操作确定人脸的高度和宽度，然后运用下述方法来确定眼睛的位置．而对于灰度图，则可直接运用下述方法实现眼睛定位．为了说明人眼的检测定位过程，本文从Ｓｕｒｆｉｍ—ａｇｅ人脸数据库中选出一幅图像进行眼睛定位．图２为人脸灰度图，先对图２做垂直灰度投影，为了减少噪声的影响，须将垂直灰度投影曲线进行平滑，平滑前和平滑后的垂直投影曲线如图３所示．根据曲线中主要凸峰的左右边界即可确定人脸的左右边界（图４）．再对图４做水平灰度投影，并对水平投影曲线进行平滑操作，所得曲线如图５所示．根据曲线确定头顶及鼻中部形成的上下边界，由此确定眉跟区域（图６）．最后用ＳＯＢＥＬ算子求出眉眼区域的边缘图，并进行边缘分组，定位出眼睛的位置（图７），以此位置作为眼睛跟踪的初始值，并构造人眼的初始模板．２１．５ｌ０．５图２人脸灰度图像２１．５ｌＯ．５ｌ（ａ）人脸的垂直灰度（ｂ）平滑后的垂直灰度投影曲线投影曲线图３人脸的垂直灰度投影曲线图４人脸的左右边界（ａ）人脸的水平灰度投影曲线（ｂ）平滑后的水平灰度投影曲线图５人脸区域的水平灰度投影曲线粼曰图６人脸的眼睛区域图７眼睛的位置３眼睛跟踪算法针对现有一些眼睛跟踪算法的缺陷，考虑到Ｋａｌｍａｎ滤波和基于颜色分布特征的ＭｅａｎＳｈｉｆｔ算法所具有的快速迭代的特点，这里提出了综合使用Ｋａｌｍａｎ滤波和ＭｅａｎＳｈｉｆｔ算法来实现人眼的实时跟踪．跟踪时首先要在初始帧中检测和定位出眼睛的位置，然后再构造眼睛模板．为了减小ＭｅａｎＳｈｉｆｔ的误差漂移，在以后的跟踪过程中要不断地更新眼睛模板．３．１Ｋａｌｍａｎ滤波算法眼睛运动的特征可用位置和速度来描述．设（Ｃ。

，ｒｔ）为ｔ时刻眼睛的位置（质心的位置），（“。

，轨）为ｔ时刻眼睛在ｆ方向和ｒ方向的速度，所以ｔ时刻眼睛的状态向量为毛＝（ｑ，让，“。

第24卷　第3期华侨大学学报(自然科学版)V o l.24　N o.3 2003年7月Jou rnal of H uaqiao U n iversity(N atu ral Science)Ju l.2003　　文章编号　100025013(2003)0320254203Ka l man滤波的人体运动位置跟踪算法黄　建　新(华侨大学数学系,福建泉州362011)摘要　基于视频的人体运动跟踪是当前计算机视觉研究的热点,具有广泛的应用领域.文中提出一种基于Kal m an滤波的跟踪算法.合理使用自适应背景颜色模型,能够准确地对人体运动位置进行跟踪.关键词　人体运动跟踪,Kal m an滤波,自适应背景颜色模型中图分类号　T P391.41∶TN713文献标识码　A跟踪视频中的运动人体对象是计算机视觉研究的活跃领域之一,它可以广泛地应用在计算机动画、互动游戏、实时监控和虚拟现实等领域.目前,人们提出的一些算法如光流法〔1〕,只能对背景光线亮度不变的情况下的人体位置进行跟踪.本文提出的算法,可以有效地解决在背景亮度发生变化的条件下人体运动位置跟踪的问题.它利用人体运动约束方程使用Kal m an 滤波器〔2～3〕和自适应背景颜色模型〔4〕.1　自适应背景颜色模型我们对图象中属于背景的象素颜色模型采用高斯模型,即[Λr,Λg,Λb,Ρ2r,Ρ2g,Ρ2b],其中Λr,Λg和Λb分别是象素R GB的均值,Ρ2r,Ρ2g,Ρ2b是它们的方差.在跟踪开始时,我们录入一些不含任何运动人体的纯背景图象,来计算这些模型参数的初始值.然后,使用简单的递归方法计算下一帧中每一个象素的模型参数值.更新算法为Λr(k+1)=Αr+(1-Α)Λr(k),(1)Ρ2r(k+1)=Α(r-Λr(k))2+(1-Α)Ρ2r(k).(2)而Λg,Λb,Ρ2g和Ρ2b的更新算法跟上述一样.在递归计算出某一帧的背景模型之后,即作前景提取算法.若 r-Λr >Ρr,则该象素属于前景.同样地,如果g和b值满足类似的上述条件,则该象素也视为前景.2　使用Ka l man滤波进行预测我们使用矩形框表示被跟踪的运动人体对象区域.描述矩形框的参数使用中心点坐标　收稿日期　2002211217　作者简介　黄建新(19692),男,讲师,E2m ail:jc huang@　基金项目　华侨大学科研基金资助项目(02H ZR13)[x Cen ter ,y Cen ter ]、宽度W idth 和高度H eigh t .在跟踪过程中,我们将它看作一个线性动态系统.为了描述中心点的运动情况,这里使用中心点在x 和y 方向上的位移偏差∃x 和∃y .所以,状态向量定义为S =[∃x ,∃y ,W idth ,H eigh t ].Kal m an 滤波的状态方程定义为S (k +1)=F S (k )+Γ(k ).(3)观测方程为Z (k )=H S (k )+W (k ),(4)F =10000100001001, H =100001000010001.状态预测方程为S b (k )=F S a (k -1)(5)上述方程中下标a 和b 分别表示“修改以前”和“修改以后”,它们在下面方程的含义也一样.协方差预测方程为P b (k )=F (k 1)P a (k -1)F (k -1)T+Q (k ).(6)Kal m an 增益方程为K (k )=P b (k )HT(k )(H (k )P b (k )H T (k )+R (k ))-1.(7)状态修改方程为S a(k )=S b (k )+K (k )[Z (k )-H (k )S b (k )].(8)协方差修改方程为P a(k )=P b (k )-K (k )H (k )P b (k ).(9)3　跟踪实现算法根据上述思想,跟踪算法如下有6个步骤.(1)步骤1.首先设置方差Q ,R 和协方差P 的初始值.(2)步骤2.根据Kal m an 滤波,预测第k +1帧的状态向量.根据预测的(∃x ,∃y )和已知的第k 帧中心点坐标值,求出第k +1帧矩形框的中心点预测坐标值.(3)步骤3.根据方程(1),(2),计算第k +1帧的背景颜色模型.(4)步骤4.对已预测的第k +1帧中矩形框的参数值[x Cen ter ,y Cen ter ,W idth ,H eigh t ]进修正,即对人体位置进行精确地定位,求出它的观察值Z (k +1).修正方法以矩形框顶边为例.根据上述提取前景的方法,计算顶边中属于前景的象素数目.如果它小于(或大于)给定的阈值,则顶边向下(或向上)移动一个象素的位置,直至属于前景的象素数目大于(或小于)给定的阈值.其他边也进行类似地处理.经过这种修正方法获得的矩形框所覆盖的范围就是要跟踪的人体位置.(5)步骤5.将第k +1帧的观察值Z (k +1)代入方程(6),(7),(8)和(9)中.(6)步骤6.如果继续跟踪下一帧,则返回步骤2.4　实验结果我们使用一台普通的摄像机在实验室里拍摄一段视频,应用上述的算法进行跟踪.跟踪结552第3期 黄建新:Kal m an 滤波的人体运动位置跟踪算法 652 华侨大学学报(自然科学版) 2003年果如图1所示.(a)第4帧的跟踪结果(b)第30帧的跟踪结果图1　图像系列中人体运动位置跟踪结果5　结束语实验证明,本文提出的人体运动跟踪算法具有较准确的跟踪结果和速度,能够被应用在复杂背景下人体运动位置的跟踪.我们下一步工作就是利用跟踪结果进行人体运动行为分析.参 考 文 献1　T ekalp A M著.数字视频处理[M].崔之祜等译.重庆:电子工业出版社,1990.1～502　W ren C R,Jan i A A,D arrel T,et al.P rinder:R eal2ti m e track ing of the hum an body[J].IEEE PAM I, 1997,19(7):780～7853　罗忠祥,庄越挺,潘云鹤等.基于双摄像机的视频特征跟踪算法研究[J].计算机辅助设计与图形学学报, 2002,14(7):646～6494　A k ita K.I m age sequence analysis of real w o rld hum an mo ti on[J].Pattern R ecogn iti on,1984,17(1):73～83A Track i ng A lgor ithm Ba sed on Ka l man F iltra ton forTrack i ng K i nema tic Position of Hu man BodyH uang J ianx in(D ep t.of M ath.,H uaqiao U niv.,362011,Q uanzhou,Ch ina)Abstract　T rack ing the mo ti on of hum an body based on video is one of ho t spo ts in compu ter visi on re2 search.It has a w ide app licati on.T he au tho r p resen ts here a track ing algo rithm based on Kal m an filtrati on. By u sing a model of adap tive background co lo r,the k inem atic po siti on of hum an body can be exactly tracked. Keywords　track ing the mo ti on of hum an body,Kal m an filtrati on,model of adap tive background co lo r。