人脸识别算法.docVIP

人脸识别算法 利用Mean Shift对非刚性物体的实时跟踪 摘要 提出一种实时跟踪(从一台移动摄像机观察的)非刚性物体的新方法。其中主要的计算模块是基于mean shift迭代，并在当前帧找出最可能的目标位置。目标模型(其颜色分布)和候选目标之间的差异以一个度量来表示，该度量从Bhattacharyya系数推导而来。对该方法的理论分析表明，该方法和贝叶斯框架有关，同时，提供了一种实用、快速和有效的解决途径。这种跟踪器可以实时解决:部分遮挡、明显的混乱和目标尺度变化等问题，文中将使用几个图像序列来说明。 1. 介绍 对视觉通讯来说，有效地跟踪复杂环境中的视觉特征，是一个挑战性的工作。实时应用中，诸如监控[10]、感知用户界面[4]、智能房间[16,28]和视频压缩[12]，都要求有跟踪移动物体的能力。对绝大数的应用来说，跟踪器的计算复杂度是很关键的，因为只有一小部分的系统资源分配给跟踪任务，而剩余资源分配给预处理阶段或高级任务(如识别、轨迹诠释和推理[24])。 本文提出一种新方法以实时跟踪非刚性物体，该方法基于诸如颜色和(或)纹理的视觉特征，这些视觉特征的统计分布特征化了(我们)感兴趣的物体。提出的方法适用于有大量物体的情况，这些物体中有不同的颜色/或纹理模式，该方法对部分遮挡、混乱、深度旋转和摄像机位置变化等情况都是鲁棒的。mean shift过程对运动分析的自然应用，早在[6,7]就介绍过。Mean shift迭代，用于寻找与一个给定目标模型最相似的候选目标，相似度表示为一个基于Bhattacharyya系数的度量。多个不同的测试(图像)序列说明，通过较低的计算复杂度获得了较高的跟踪性能。 本文的组织如下。第2节提出和扩展了mean shift的属性。第3节介绍了从Bhattacharyya系数推导的度量。跟踪算法的开发和分析在第4节给出。实验和对比在第5节给出，并在第6作出讨论。 2. Mean Shift分析 我们在稍后定义mean shift样板，介绍mean shift迭代过程，并提出一种新理论说明核函数(这个核函数是凸的，且有单调剖面)的收敛性。在低层视觉(滤波、分割)中对mean shift属性的应用见文献[6]。 2.1 mean shift的基本形式(sample) dRK(x),, 给定在d维空间中的点数为n的一组点，则关于核函数和窗半径xii,1...n x(带宽)h的多元核密度估计函数，在点的计算式给出为 nx,x1,,i?，，fx,K 。 (1) ,,,dhnhi,1,, 假设有估计的和真实的密度函数，对两个密度函数之间的全局平均误差的最小化，产生了多元Epanechnikov核函数[25, p.139] 12,,1,，，，，cd，21,xifx,1d，，Kx, ， (2) ,E2 ,0otherwise, 其中是d维单位球体的体积。另一个常用的核函数是多元正态核函数 cd 12,,,d/2，，，，x2expxK, ,,。 (3) ,,N2,, 2k:[0,,),R，，Kx,k(x)引入核函数的剖面函数，因此。例如，根据式(2)，K Epanechnikov剖面函数为 1,,1,，，，，cd，21,xifx,1d，，kx, ， (4) ,E2 ,0otherwise, 以及根据式(3)，正态剖面函数为 1,,,d/2，，，，kx2,expx,, 。 (5) ,,N2,, 利用剖面的符号，我们可以把式(1)的密度估计函数写成 2n,,,xx1i?,,，，fx,k 。 (6) ,Kd,,hnh,1i,, 我们引入以下表示法 , ， (7) ，，，，gx,,kx x,[0,,)假设对所有，的导数都存在，有限集除外。一个核函数可以定义为 kG 2 ，，Gx,Cg(x) ， (8) 其中C是一个归一化常数。然后，令密度梯度的估计等于密度估计的梯度，我们得到 ??,fx,,fx，，，，KK 22nn,,,,,,xxxx22ii,,,,,,，，,k,,g，，xxxx， (9) ,,ii，2，2dd,,,,hhnhnh,1,1ii,,,, 22nn，，，，,,，，g(,/h)xxx,xx2,iii,1i,,,，g，,x,,,,,d，22n,,hnhi,1，，g(/h)x,x,,,,,,,ii,1，，，， 2n，，g(x,x/h)其中可以假设为非零的。注意到Epanechnikov剖面函数的导数就,i,1i 是正态剖面函数，而正态剖面函数的导数仍然是正态的。 式(9)的最后一个中括号里包含了mean shift矢量的基本形式: 2ng(，，/h)xx,x,iii,1 M,,x， (10) h,G(x)2n，，g(/h)x,x,ii,1 x而关于核函数在点处的密度估计为 G 2