基于CamShift改進(jìn)算法的人臉跟蹤識(shí)別系統(tǒng)

秦潤澤，聶倩倩

(山西農(nóng)業(yè)大學(xué)，山西 太谷 030800)

0 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺的研究熱點(diǎn)，跟蹤過程中存在遮擋、光照變化、變形等問題，其影響跟蹤效果。王澤楷[1]采用Camshaft與kalman相結(jié)合，加入最優(yōu)閾值法解決跟蹤出現(xiàn)的錯(cuò)誤識(shí)別問題；劉超[2]引入背景減法與Camshift相結(jié)合策略，及非線性核密度估計(jì)解決光照變化、陰影等問題。初春霞[3]選取顏色和紋理相融合的直方圖概率分布，適應(yīng)遮擋等問題，引入權(quán)值將目標(biāo)模板與檢測模板特征進(jìn)行處理，克服依靠目標(biāo)模型的不足。上述算法雖然在一定程度上解決了遮擋、光照、重疊等問題，但運(yùn)行過程中還是會(huì)出現(xiàn)跟蹤錯(cuò)誤，模板更新不及時(shí)等問題。

本文提出了改進(jìn)Camshift算法，實(shí)現(xiàn)及時(shí)更新目標(biāo)模板。采用該算法與人臉檢測算法相結(jié)合實(shí)現(xiàn)人臉跟蹤識(shí)別。

1 系統(tǒng)簡述

人臉檢測算法多關(guān)注檢測精度，在視頻中檢測很難達(dá)到實(shí)時(shí)的要求。Camshift算法能達(dá)到實(shí)時(shí)跟蹤的效果。本系統(tǒng)采用基于CamShift改進(jìn)的人臉跟蹤算法，通過混合人臉輪廓特征與膚色特征提高系統(tǒng)的魯棒性。

整個(gè)系統(tǒng)由三大模塊組成：人臉檢測、人臉識(shí)別和人臉跟蹤。

人臉檢測模塊采用Haar分類器的Adaboost算法。該算法處理圖像速度較快，通過迭代快速地構(gòu)建出多個(gè)弱分類器并集合成強(qiáng)分類器，大大降低分類器檢測的錯(cuò)誤率，提高檢測準(zhǔn)確率。

人臉識(shí)別模塊采用Eigenfaces算法。該算法能夠?qū)斎氲挠?xùn)練樣本集分析并根據(jù)計(jì)算特征值構(gòu)建“特征臉”，將待識(shí)別圖像映射到特征值空間，通過閾值法得出待識(shí)別圖像最接近的樣本特征，返回特征臉對(duì)應(yīng)的標(biāo)簽。

表1 特征值

在識(shí)別出人臉后需要顯示人臉對(duì)應(yīng)的身份信息，因此系統(tǒng)建立了后臺(tái)sqlite數(shù)據(jù)庫，存入人臉標(biāo)簽與人臉身份信息，通過人臉識(shí)別模塊返回的標(biāo)簽值查詢數(shù)據(jù)庫中對(duì)應(yīng)的身份信息。sqlite是一個(gè)輕量級(jí)的數(shù)據(jù)庫，占用的內(nèi)存空間小，使得程序的運(yùn)行速度快，適用于本系統(tǒng)的多平臺(tái)移植。

圖1 特征臉(1)

圖2 特征臉(2)

2 傳統(tǒng)跟蹤算法簡述

CamShift即Continuously Adaptive Mean-SHIFT，是對(duì)MeanShift算法的一種改進(jìn)。MeanShift算法僅針對(duì)單張圖像的顏色概率分布圖迭代尋優(yōu)，得到概率密度最大的地方以獲取目標(biāo)位置。而改進(jìn)后的CamShift算法是MeanShift算法在連續(xù)圖像序列上的一個(gè)應(yīng)用，其將上一幀MeanShift算法的結(jié)果(搜索窗口的大小和位置)作為下一幀MeanShift算法的輸入。如此迭代，便能很好地實(shí)現(xiàn)對(duì)目標(biāo)物體的跟蹤。

MeanShift算法的實(shí)現(xiàn)過程為：

1) 設(shè)置搜索窗口，即所要跟蹤的感興趣區(qū)域，選定區(qū)域后使用ROI(region of interest)函數(shù)指定圖像分析的重點(diǎn)。

2) 將目標(biāo)區(qū)域圖像的顏色空間由RGB顏色空間轉(zhuǎn)化為HSV顏色空間。統(tǒng)計(jì)搜索框的H通道值，后對(duì)整幅圖像二值化處理。此時(shí)圖像轉(zhuǎn)化為HSV圖像顯示出目標(biāo)人臉與背景分割的效果。

3) 使用calcBackProject函數(shù)計(jì)算搜索窗口的顏色分布概率，即目標(biāo)人臉圖像矩陣的反向投影。

4) 計(jì)算出目標(biāo)圖像信息后進(jìn)行迭代，首先計(jì)算搜索窗口的零階矩，再計(jì)算一階矩，迭代計(jì)算直至計(jì)算出搜索窗口的質(zhì)心，將搜索窗口的中心移動(dòng)到質(zhì)心，即可完成一次跟蹤。否則重復(fù)計(jì)算直至中心到質(zhì)心距離小于閾值或循環(huán)次數(shù)達(dá)到設(shè)定的最大值。在函數(shù)中ITER為完成迭代最大次數(shù)，達(dá)到后停止算法。EPS為算法精度double epsilon，本次實(shí)驗(yàn)環(huán)境下當(dāng)最大迭代次數(shù)為10，精度為0.8時(shí)有較好的效果。

(1)

其中，M00為零階矩，M10、M01為一階矩。

5) CamShift算法進(jìn)行上述循環(huán)，搜索窗口使用此次迭代計(jì)算出的新搜索窗口。

3 CamShift算法改進(jìn)

傳統(tǒng)的CamShift算法能夠有效解決目標(biāo)的變形，多維的問題。因?yàn)樵撍惴ㄓ?jì)算了顏色直方圖，出現(xiàn)與目標(biāo)顏色相近區(qū)域會(huì)誤識(shí)別，論文在CamShift算法加入了邊緣檢測，很好地實(shí)現(xiàn)對(duì)人臉區(qū)域檢測跟蹤。

直方圖均衡化利用累計(jì)分布函數(shù)變換將直方圖從集中灰度分布映射成均勻灰度分布。具體步驟為：

1) 使用自適應(yīng)中值濾波去除圖像噪聲。對(duì)圖像遍歷時(shí)若Zmin

2) 對(duì)檢測物體進(jìn)行輪廓檢測，采用satoshi suzuki的算法。對(duì)數(shù)字圖像進(jìn)行拓?fù)浞治?，確定圖像的邊緣信息，由于邊緣與目標(biāo)圖像有相對(duì)應(yīng)的關(guān)系，可以很好地識(shí)別。算法使用時(shí)首先對(duì)圖像進(jìn)行形態(tài)學(xué)操作，去除圖像不連貫的區(qū)域。計(jì)算出目標(biāo)圖像上所有目標(biāo)外輪廓的點(diǎn)序列與邊緣的拓?fù)浣Y(jié)構(gòu)并存儲(chǔ)在vector中，使用canny算子提取邊緣后的二值化圖像。

4 系統(tǒng)流程

人臉跟蹤識(shí)別系統(tǒng)的具體步驟為：

1) 輸入視頻流，視頻流幀率在100左右，提取視頻流中的一幀圖像。

2) Haar分類器人臉檢測。檢測出人臉區(qū)域，設(shè)置人臉?biāo)阉骺颉?/p>

圖3 人臉檢測畫面

3) 保存圖片作為訓(xùn)練樣本，并信息輸入系統(tǒng)。采集樣本間隔為5秒，像素為120，保存后圖像自動(dòng)歸一化為92*112大小并轉(zhuǎn)化為灰度圖，方便圖像后續(xù)特征值的訓(xùn)練。在保存夠十張圖片后自動(dòng)存入數(shù)據(jù)庫。此時(shí)訓(xùn)練集中圖片標(biāo)簽為1，在數(shù)據(jù)庫中，標(biāo)簽id對(duì)應(yīng)位置存儲(chǔ)字符為身份信息。

圖4 輸入字符信息

圖5 前臺(tái)界面顯示存儲(chǔ)完畢

圖6 訓(xùn)練樣本保存在本地目錄，at.txt為存儲(chǔ)位置文件

列名含義Id標(biāo)識(shí)人的標(biāo)簽,具有唯一性Name從前臺(tái)界面文本框中輸入的人物身份信息

4) 人臉識(shí)別階段將自動(dòng)與數(shù)據(jù)庫人臉比對(duì)，得出信息并顯示。

圖7 人臉識(shí)別功能

5) 在完成人臉識(shí)別算法后，攝像頭顏色空間轉(zhuǎn)化為HSV空間投影并計(jì)算出反向投影圖。根據(jù)反向投影圖和搜索范圍框進(jìn)行迭代，搜索框中心向重心移動(dòng)即人臉框偏向反向投影圖概率大的地方。之后系統(tǒng)在下一次設(shè)置搜索框時(shí)進(jìn)行邊緣檢測，提取出人臉邊緣作為之后的搜索框。人臉跟蹤不再消耗大量系統(tǒng)CPU資源進(jìn)行復(fù)雜運(yùn)算，只進(jìn)行步驟5)持續(xù)跟蹤。

5 實(shí)驗(yàn)與結(jié)論

論文綜合了人臉識(shí)別準(zhǔn)確識(shí)別和跟蹤算法的實(shí)時(shí)性等優(yōu)點(diǎn)提出了改進(jìn)CamShift算法。采用人臉輪廓特征與膚色特征提高系統(tǒng)人臉識(shí)別的魯棒性；采用haar特征的AdaBoost算法檢測面部，Eigenfaces算法實(shí)現(xiàn)人臉識(shí)別；視頻序列中，識(shí)別的人臉作為跟蹤算法的輸入并實(shí)時(shí)更新；CamShift算法可以實(shí)時(shí)地跟蹤人臉。實(shí)驗(yàn)顯示，改進(jìn)算法提高算法檢測精度及可以達(dá)到實(shí)時(shí)跟蹤的效果。

[1] 王澤楷,吳黎明,蔡文,等.基于Camshift改進(jìn)算法的視頻目標(biāo)跟蹤方法[J].自動(dòng)化與信息工程,2014,35(1):27-31.

[2] 劉超,惠晶.基于改進(jìn)CAMShift的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(11):149-153，217.

[3] 初紅霞,謝忠玉,王科俊.一種結(jié)合顏色紋理直方圖的改進(jìn)型Camshift目標(biāo)跟蹤算法[J].西安交通大學(xué)學(xué)報(bào),2018,52(3):145-152.

[4] 譚艷,王宇俊.一種結(jié)合背景差分的改進(jìn)CamShift目標(biāo)跟蹤方法[J].西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,41(9):120-125.

[5] 楊杰,穆平安,戴曙光.一種改進(jìn)Camshift算法的研究[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(2):167-170.

[6] 劉明,趙孝磊.一種改進(jìn)的Camshift目標(biāo)跟蹤算法[J].南京理工大學(xué)學(xué)報(bào),2013,37(5):755-760.