韋智勇 周立廣

【摘 要】人臉檢測與跟蹤算法存在尺寸、遮擋、背景等問題，同時時空上下文跟蹤算法也存在無法對目標自動跟蹤的漏洞，為了改進這些缺點，文章把傳統(tǒng)的人臉檢測用幀間差分法進行改進，人臉跟蹤算法用時空上下文跟蹤算法進行改進，同時把這兩種算法有機結合起來，彌補時空上下文跟蹤算法的漏洞，通過對比分析改進前后的實驗數(shù)據(jù)，改進后的算法對人臉檢測與跟蹤更具精準和高效性。

【關鍵詞】幀間差分;時空上下文;自動檢測;目標跟蹤;人臉識別

【中圖分類號】TP391.41 【文獻標識碼】A 【文章編號】1674-0688（2020）05-0056-02

0 引言

隨著信息技術的高速發(fā)展，檢測與跟蹤技術成為視覺領域的研究熱點，尤其在人臉檢測和跟蹤方面，發(fā)展尤為迅速。在人臉檢測算法方面，目前主要有基于特征的人臉檢測算法、基于統(tǒng)計的人臉檢測方法、基于統(tǒng)計的人臉檢測方法3類，主要是在視頻圖像中確定人臉所有的具體位置及大小[1]。隨著人臉檢測應用范圍的逐步擴大，對人臉檢測精準性要求也越來越高，對人臉檢測的精準性提升是將來的一個研究方向;對于人臉跟蹤算法方面，主要是面向任意目標的跟蹤方法，即根據(jù)人臉檢測得出的數(shù)據(jù)，通過計算得出目標所有的具體位置，該算法主要由目標特征、搜索方法及模型更新組成。

1 傳統(tǒng)人臉檢測與跟蹤算法存在的問題

（1）目標特征各不相同：每個目標都有自己特征，例如人臉的長寬、皮膚顏色、面部表情特點等，這些特征對檢測有很大的影響。

（2）遮擋：對于目標而言，如果有物品遮擋，例如戴帽子、戴圍巾、衣服遮擋等，此時對人臉檢測會造成較大的影響，造成人臉識別上的誤差。

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

（4）低幀率現(xiàn)象：目標有時不處于靜止狀態(tài)，如果目標處于運動或高速運動的狀態(tài)時，會造成前后兩幀的變化量較大，進而可能會造成識別錯誤，產(chǎn)生丟幀的現(xiàn)象，即“低幀率現(xiàn)象”，導致無法跟蹤該目標所在的位置。

（5）尺度變化：在目標檢測過程中，如果目標尺度突然發(fā)生變化，目標跟蹤如果不能及時調(diào)整，檢測可能受到影響。

（6）場景改變：目標如果從一個環(huán)境突然切換到另外一種環(huán)境，有可能無法對目標進行實時跟蹤，造成目標丟失。

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

2 人臉幀間差分檢測法

4 算法構想

為了能實現(xiàn)對人臉跟蹤的實時性和穩(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、光線強度、遮擋等。因此，在代代人臉檢測過程中，在人臉圖像或視頻幀的采集過程中引入幀間差分的算法，提高檢測的精準性，同時在跟蹤算法中用時空上下文算法進行替代，通過建模推算出置信圖，再根據(jù)置信圖換算得出目標所有的具體位置，這樣可屏蔽外來因素的影響，能快速、準確地定位人臉的具體位置。

此外，對于時空上下文算法而言，雖然該算法具有高效性、魯棒性好的特點，但是該算法本身存在一個缺陷，就是必須用人為方式為該算法提供人臉的相關數(shù)據(jù)后再進行跟蹤，由于人為方式與實際有著較大差別，故跟蹤的結果可能存在較大誤差[4]?；谶@種情況，如果把基于幀間差分的人臉檢測方式運用到時空上下文跟蹤算法內(nèi)，把檢測數(shù)據(jù)直接傳送給時空上下文跟蹤算法中，通過這兩個算法的有機結合，可解決時空上下文跟蹤算法無法實行自動跟蹤的缺陷問題。

5 算法流程

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

6 實驗結果分析

為了驗證本文算法的跟蹤效果，本文對幾種跟蹤算法進行跟蹤效果的對比，測試指標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程中所測得的目標框的位置，與實際的目標中心的位置誤差[5]。其中包括STC、WSTC、KF-STC算法，測試的條件包括光線、遮擋、旋轉，測試通過測試光線、背景條件下的測試，得出各算法中心位置的誤差和重疊率。同樣，再通過測試遮擋、旋轉條件下的測試，得出各算法中心位置的誤差和重疊率[6]。

通過一系列測試的實驗結果，本算法對傳統(tǒng)人臉檢測跟蹤，具有較大的改進，在遮擋條件下的測試中，對模型漂移的問題進行了整改，在其他的算法中由于各幀的累計誤差，當超過某一幀時誤差就會明顯，跟蹤效果明顯會差很多，而本文算法，在這一問題上得到了優(yōu)化和改進，與此同時，時空上下文不能自動跟蹤的問題也得到有效解決。由于跟蹤過程出現(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 結語

本文通過對傳統(tǒng)的人臉檢測算法及跟蹤算法進行了改進，把這兩種算法有機結合，實現(xiàn)了對人臉的檢驗與跟蹤。幀間差分法具有檢測快速、精準、受外界干擾影響較小等特點，能夠準確地檢測出人臉的尺寸和中心位置，相對于傳統(tǒng)的檢測算法，誤差大大減小，從而提高了人臉跟蹤的精準性。此外，兩種算法的結合，還需要進一步提高跟蹤的效率，故下一步會把提高效率作為研究的重點。

參 考 文 獻

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

[2]侯志強，王帥，余旺盛，等.融合檢測機制的魯棒相關濾波視覺跟蹤算法[J].應用光學，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人臉圖像增強方法[J].武漢科技大學學報，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別[J].中南大學學報（自然科學版），2019（11）：163-167.

[6]李明生，趙志剛，李強，等.基于改進的局部三值模式和深度置信網(wǎng)絡的人臉識別算法[J].青島大學學報（自然科學版），2019（11）：73-76.