專利名稱：一種人臉跟蹤的方法和裝置的制作方法
技術領域：
本發(fā)明涉及計算機技術領域，特別涉及一種人臉跟蹤的方法和裝置。
背景技術：
IMdnstant Messaging，即時通訊)發(fā)展到今天，已經被大多數的網民用戶所接 受。用戶無論是在生活還是工作中，都會大量使用IM軟件實現與朋友，同事以及同學、客戶 等的交流與溝通，使得IM軟件逐漸成為用戶日常生活中不可缺少的工具之一。在IM軟件的眾多用途中，IM視頻因其方便、快捷等優(yōu)點而被大多數的網民所使 用?，F有的IM視頻可以理解為A和B進行視頻聊天，A為被拍攝者，B為觀察者。其中， B可以通過網絡觀察到A的圖像，B觀察到的圖像為A的視頻拍攝設備直接采集的圖像，沒 有經過調整的圖像。這種現有的IM視頻存在如下缺點在某些情況下，當A用戶離視頻拍 攝設備較遠、或者不在拍攝的主要范圍等情況，用戶B所觀察到的A的圖像的效果就不會很 好，例如人臉模糊、距離較遠看不清楚等。對于這些情況，用戶B可以選擇以人臉為視頻主 要內容的顯示模式，當用戶A的IM客戶端接收到用戶B的上述選擇信號時，自動啟動人臉 跟蹤技術，A與B之間的網絡通訊無需傳遞原始大小幀，而是可以傳遞自定義大小(通常小 于原始大小)的人臉圖像，因此可以降低傳輸數據。這樣，即使在網絡環(huán)境差的場合也可以 達到相對流暢的視頻效果；并可以同時將跟蹤獲得的人臉動態(tài)圖像作為用戶B的IM客戶端 窗口中用戶A的動態(tài)頭像?，F有的人臉跟蹤技術領域的主流方法有粒子濾波(Particle Filtering)和Mean Shift兩種技術；粒子濾波由于受粒子數目影響較大，使得當應用于視頻窗口的人臉跟蹤 時速率相對低下，因此在遠距離視頻聊天時，畫面不連續(xù)，難以應用；Mean Shift算法(以 Intel OpenCV庫為例)迭代速率很快，但其基于膚色特征，使得膚色接近的頸脖區(qū)域往往 容易被錯誤地檢測，因此不能得到比較準確的人臉區(qū)域，如圖1所示。
發(fā)明內容
為了在IM視頻中獲得更為準確的、以人臉為主體的視頻圖像，本發(fā)明實施例提供 了一種人臉跟蹤的方法和裝置。所述技術方案如下一種人臉跟蹤的方法，所述方法包括獲得待跟蹤人臉的初始化圖像；統(tǒng)計所述初始化圖像的像素分布特征，所述像素分布特征至少包括所述初始化圖 像的色彩直方圖和所述初始化圖像的邊緣直方圖；根據所述色彩直方圖獲得所述待跟蹤人臉的色彩概率圖像；將所述色彩概率圖像的中心調整至所述色彩概率圖像的重心，得到調整后的色彩 概率圖像；根據所述初始化圖像的邊緣直方圖與所述調整后的色彩概率圖像的邊緣直方圖， 獲得人臉跟蹤的窗口；
將所述獲得的人臉跟蹤的窗口作為下一幀圖像的待跟蹤人臉的初始化圖像。所述獲得待跟蹤人臉的初始化圖像，具體包括采用運動目標檢測技術，根據人體頭肩部比例關系，獲得近似頭部區(qū)域；采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行智能人臉檢測，獲得待跟蹤 人臉的初始化圖像。所述獲得近似頭部區(qū)域之后，所述方法還包括將所述近似頭部區(qū)域進行放大；相應的，所述采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行智能人臉檢 測，具體包括采用人臉檢測分類器對放大后的近似頭部區(qū)域進行智能人臉檢測。所述將所述色彩概率圖像的中心調整至所述色彩概率圖像的重心，具體包括計算所述色彩概率圖像的重心；判斷所述中心與所述重心之間的差值是否小于等于預先設定的閥值；如果是，則所述色彩概率圖像的中心已調整至所述色彩概率圖像的重心；如果否，將所述中心按照預先設定的步長朝著所述重心移動一個步長，并執(zhí)行判 斷所述中心與所述重心的差值是否小于等于預先設定的閥值的步驟。根據所述初始化圖像的邊緣直方圖與調整后的所述色彩概率圖像的邊緣直方圖， 獲得人臉跟蹤的窗口，具體包括統(tǒng)計調整后的所述色彩概率圖像的邊緣直方圖，并歸一化所述初始化圖像的邊緣 直方圖；利用所述歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概率圖像的邊 緣直方圖計算巴氏距離，獲得相似程度最高的人臉窗口。所述相似程度最高具體為所述巴氏距離小于等于預設值。一種人臉跟蹤的裝置，所述裝置包括初始化圖像獲得模塊，用于獲得待跟蹤人臉的初始化圖像；像素分布特征統(tǒng)計模塊，用于統(tǒng)計所述初始化圖像的像素分布特征，所述像素分 布特征至少包括所述初始化圖像的色彩直方圖和所述初始化圖像的邊緣直方圖；色彩概率圖像獲得模塊，用于根據所述色彩直方圖獲得所述待跟蹤人臉的色彩概 率圖像；中心調整模塊，用于將所述色彩概率圖像的中心調整至所述色彩概率圖像的重 心，得到調整后的色彩概率圖像；人臉跟蹤窗口獲得模塊，用于根據所述初始化圖像的邊緣直方圖與所述調整后的 色彩概率圖像的邊緣直方圖，獲得人臉跟蹤的窗口 ；將所述獲得的人臉跟蹤的窗口作為下 一幀圖像的待跟蹤人臉的初始化圖像。所述初始化圖像獲得模塊具體包括近似頭部區(qū)域獲得單元，用于采用運動目標檢測技術，根據人體頭肩部比例關系， 獲得近似頭部區(qū)域；初始化圖像獲得單元，用于采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行 智能人臉檢測，獲得待跟蹤人臉的初始化圖像。
初始化圖像獲得模塊還包括放大單元，用于將所述近似頭部區(qū)域獲得單元中獲得的近似頭部區(qū)域進行放大；相應的，所述初始化圖像獲得單元具體用于采用人臉檢測分類器對放大后的近 似頭部區(qū)域進行智能人臉檢測。中心調整模塊具體包括計算單元，用于計算所述色彩概率圖像的重心；判斷單元，用于判斷所述中心與所述重心之間的差值是否小于等于預先設定的閥 值；中心調整單元，用于如果所述判斷單元的判斷結果為是時，不調整所述中心；如果 所述判斷單元的判斷結果為否時，將所述中心按照預先設定的步長朝著所述重心移動一個 步長，并啟動判斷單元。人臉跟蹤窗口獲得模塊具體包括計算單元，用于統(tǒng)計調整后的所述色彩概率圖像的邊緣直方圖，并歸一化所述初 始化圖像的邊緣直方圖；獲得單元，用于利用歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概 率圖像的邊緣直方圖計算巴氏距離，獲得相似程度最高的人臉窗口。本發(fā)明實施例提供的技術方案帶來的有益效果是通過智能人臉檢測技術得到初始人臉區(qū)域，并通過統(tǒng)計人臉區(qū)域像素分布特征， 即顏色統(tǒng)計信息，并根據區(qū)域重心變化迭代計算其與區(qū)域中心的差值，得到變化后的區(qū)域， 并且，對于實時得到的人臉圖形求取人臉邊緣圖，通過每幀與變化后的區(qū)域進行模版匹配， 得到每幀最終的準確人臉區(qū)域，并實時更新人臉模版，最終得到了較為精確的人臉跟蹤結 果，克服了現有技術的缺點。
圖1是應用現有技術進行人臉跟蹤的結果示意圖；圖2是本發(fā)明實施例1中提供的人臉跟蹤的方法流程圖；圖3是本發(fā)明實施例2中提供的人臉跟蹤的方法流程圖；圖4是本發(fā)明實施例2中應用現有技術進行人臉跟蹤的結果示意圖；圖5是利用本發(fā)明實施例2中提供的人臉跟蹤的方法進行人臉跟蹤的結果示意 圖；圖6是本發(fā)明實施例3中提供的人臉跟蹤的裝置示意圖。
具體實施例方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖對本發(fā)明實施方 式作進一步地詳細描述。實施例1為了在IM視頻中獲得更為準確的、以人臉為主體的視頻圖像，本實施例提供了一 種人臉跟蹤的方法，參見圖2，該方法包括201 獲得待跟蹤人臉的初始化圖像；
其中，可以采用運動目標檢測技術，根據人體頭肩部比例關系，獲得近似頭部區(qū) 域；再采用人臉檢測分類器對近似頭部區(qū)域的圖像進行智能人臉檢測，獲得待跟蹤人臉的 初始化圖像。在獲得近似頭部區(qū)域之后，該方法還包括將近似頭部區(qū)域進行放大；相應的，再采用人臉檢測分類器對放大后的近似頭部區(qū)域進行智能人臉檢測。202:統(tǒng)計初始化圖像的像素分布特征，像素分布特征至少包括初始化圖像的色彩 直方圖和初始化圖像的邊緣直方圖；203 根據色彩直方圖獲得待跟蹤人臉的色彩概率圖像；204:將色彩概率圖像的中心調整至色彩概率圖像的重心，得到調整后的色彩概率 圖像；其中包括計算色彩概率圖像的重心；判斷中心與重心之間的差值是否小于等于預先設定的閥值；如果是，則色彩概率圖像的中心已調整至色彩概率圖像的重心；如果否，將中心按照預先設定的步長朝著重心移動一個步長，并執(zhí)行判斷中心與 重心的之間的差值是否小于等于預先設定的閥值的步驟。205:根據初始化圖像的邊緣直方圖與調整后的色彩概率圖像的邊緣直方圖，獲得 人臉跟蹤的窗口 ；將獲得的人臉跟蹤的窗口作為下一幀圖像的待跟蹤人臉的初始化圖像。統(tǒng)計調整后的色彩概率圖像的邊緣直方圖，并歸一化初始化圖像的邊緣直方圖；利用歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概率圖像的邊緣直 方圖計算巴氏距離，獲得相似程度最高的人臉窗口。其中，相似程度最高具體為巴氏距離小于預設值。通過智能人臉檢測技術得到初始人臉區(qū)域，并通過統(tǒng)計人臉區(qū)域像素分布特征， 即顏色統(tǒng)計信息，并根據區(qū)域重心變化迭代計算其與區(qū)域中心的差值，得到變化后的區(qū)域， 并且，對于實時得到的人臉圖形求取人臉邊緣圖，通過每幀與變化后的區(qū)域進行模版匹配， 得到每幀最終的準確人臉區(qū)域，并實時更新人臉模版，最終得到了較為精確的人臉跟蹤結 果，克服了現有技術的缺點。實施例2為了在IM視頻中獲得更為準確的、以人臉為主體的視頻圖像，本發(fā)明實施例提供 了一種人臉跟蹤的方法，以執(zhí)行主體為IM客戶端所在的主機為例，參見圖3，該方法包括301 對實時采集到的視頻圖像進行智能人臉檢測，得到初始人臉區(qū)域；其中，進行視頻圖像實時采集的設備可以為攝像機、攝像頭等具有拍攝功能的設備。需要說明的是，智能人臉檢測，即為在當前輸入圖像或者視頻中檢測出人臉區(qū)域。 目前較為成熟的人臉檢測技術主要采用人臉Haar特征描述實現，2001年Viola提出的基于 人臉特征的快速人臉檢測算法被廣為采用，并集成入htel OpenCV庫(開源BSD協議)。 人臉檢測的示意圖可以如圖4所示。在本發(fā)明實施例中，以采用^itel OpenCV實現的人臉 檢測分類器實現智能人臉的檢測，從而得到初始人臉區(qū)域。還需要說明的是，對于較低分辨率的拍攝設備所采集到的視頻圖像，本發(fā)明實施例在對其進行智能人臉檢測之前，采用了運動目標檢測技術，運用背景減方法檢測出攝像 頭視窗中的運動區(qū)域(人體)，根據人體頭肩部的比例關系，獲得近似頭部區(qū)域；并對于獲 得的近似頭部區(qū)域進行放大之后，再采用上述分類器進行智能人臉檢測。這樣做的有益效 果在于(1)原OpenCV中的人臉分類器在分辨率不高、或者人臉特征并不是特別突出的情 況下，幾乎無法檢測出人臉；而通過預先的運動目標檢測等手段，可以逐步縮小檢測范圍， 并用多尺度處理思想，在較大尺度上進行檢測，可以立即得到當前人臉區(qū)域；(2)原OpenCV中的人臉分類器基于人臉面部對稱等五官分布特征檢測，而當攝像 頭場景中某背景(實驗中如帶方格的柜子，假面等)和人臉這種特征比較近似時，很容易發(fā) 生錯誤檢測；而運用運動檢測的算法直接排除了這些靜止的背景目標，因此可以比較準確 的檢測出真人。302 統(tǒng)計初始人臉區(qū)域的像素分布特征；其中，統(tǒng)計初始人臉區(qū)域的像素分布特征具體可以包括計算初始人臉區(qū)域的色 彩直方圖，并統(tǒng)計其邊緣直方圖，將色彩直方圖轉化成色彩概率圖像。其中，需要說明的是，可以使用如下方法進行色彩直方圖的計算，例如將原彩色 圖像轉至HSV (hue、saturation ,value,色調、飽和度、明度)顏色空間，提取色調分量，統(tǒng)計 該分量直方圖?？梢圆捎萌缦路椒ㄟM行邊緣直方圖的統(tǒng)計，例如將初始人臉圖像轉至單通 道圖像，計算出邊緣圖像，統(tǒng)計該圖像直方圖。進一步的，將色彩直方圖轉化為色彩概率圖像具體指的是將RGB (red、green、blue，紅、綠、藍)顏色空間的圖像轉換到HSV顏色空間，并提取 HSV顏色空間中圖像的色調分量，根據提取出的色調分量統(tǒng)計直方圖，然后對直方圖進行反 向投影，即得到色彩概率圖像。色彩概率圖像中每個像素值為原HSV中色調分量在直方圖 中對應的累計值。因此，在初始人臉區(qū)域中，如果某顏色值出現較多，則其在概率圖像中的 反應較為明顯。303 計算像素分布特征中色彩概率圖像的重心位置；其中，需要說明的是，色彩概率圖像的重心根據圖像區(qū)域的矩特征得到，反應了該 圖像顏色聚集程度。由于色彩概率圖像重心位置可以使用很多現有技術進行計算，故此不 做贅述。304 將色彩概率圖像的中心調整至其重心位置；其中，需要說明的是，圖像的中心具體指的是圖像畫面的中心點；將色彩概率圖像 的中心調整至其重心位置具體可以為以下操作判斷中心位置與重心位置之間的距離(即差值)是否小于等于預先設定的閥值；如果是，說明色彩概率圖像的中心已經在可允許誤差范圍內被調整至重心位置， 則繼續(xù)執(zhí)行步驟305 ；如果否，說明色彩概率圖像的中心尚未在可允許誤差范圍內被調整至重心位置， 則將中心位置以預先設定的步長朝向重心位置移動，每移動一個單位步長，返回執(zhí)行判斷 中心位置與重心位置之間的差值是否小于等于預先設定的閥值的步驟。舉例說來，設色彩概率圖像的中心位置坐標為(xl，yl)，重心位置為(x2，y2)，則 預先設定的步長為(dx，dy)，其中，dx、dy既可以是正數，又可以是負數。首先計算(xl，yl)與(x2，y2)之間的差值是否小于等于預先設定的閥值，如果是，則執(zhí)行步驟305;如果 否，則將中心位置朝著(x2，y2)移動一個單位步長，此時中心位置的坐標即變更為(xl+dx， yl+dy)，計算(xl+dx，yl+dy)與(x2，y2)之間的差值是否小于等于預先設定的閥值；如果 小于等于，則執(zhí)行步驟305 ；如果大于，則繼續(xù)將中心位置朝著(x2，W)移動一個單位步長， 如此反復，直至中心位置與中心位置之間的差值小于等于預先設定的閥值。305 統(tǒng)計調整中心位置后的色彩概率圖像的邊緣直方圖，并歸一化步驟302中得 到的人臉邊緣直方圖；其中，需要說明的是，歸一化人臉邊緣直方圖具體指的是將每個像素值出現的次 數除以所有像素出現的次數和，得到歸一化邊緣直方圖。306 將歸一化后得到的人臉邊緣直方圖在步驟305中獲得的新邊緣直方圖中進 行迭代匹配，獲得相似程度最高的人臉圖像；其中，可以使用直方圖巴氏距離計算歸一化的人臉邊緣直方圖與新邊緣直方圖之 間的相似程度，當巴氏距離小于等于某一預設值時，歸一化的人臉邊緣直方圖與新邊緣直 方圖之間的相似程度最高。307:將獲得的相似程度最高的人臉圖像窗口作為下一幀圖像的初始窗口，繼續(xù)應 用本方法進行視頻圖像中人臉的智能跟蹤。圖5為應用本發(fā)明實施例提供的智能人臉跟蹤方法所獲得的跟蹤結果，從圖5中 可以看出，通過應該本發(fā)明實施例所提供的方案，可以比較精確地對聊天攝像頭的視頻場 景進行人臉跟蹤。本發(fā)明實施例提供了一種人臉跟蹤方法，該方法通過智能人臉檢測技術得到初始 人臉區(qū)域，并通過統(tǒng)計人臉區(qū)域像素分布特征，即顏色統(tǒng)計信息，并根據區(qū)域重心變化迭代 計算其與區(qū)域中心的差值，得到變化后的區(qū)域，并且，對于實時得到的人臉圖像求取人臉邊 緣圖，通過每幀與變化后的區(qū)域進行模版匹配，得到每幀最終的準確人臉區(qū)域，并實時更新 人臉模版，最終得到了較為精確的人臉跟蹤結果，克服了現有技術的缺點；并且，在復雜環(huán) 境下采用智能人臉檢測技術時，還采用了運動目標檢測技術，進一步提高了人臉檢測的準 確率和速率。實施例3為了在IM視頻中獲得更為準確的、以人臉為主體的視頻圖像，本發(fā)明實施例提供 了一種人臉跟蹤的裝置，參見圖6，該裝置包括初始化圖像獲得模塊601，用于獲得待跟蹤人臉的初始化圖像；像素分布特征統(tǒng)計模塊602，用于統(tǒng)計初始化圖像的像素分布特征，像素分布特征 至少包括初始化圖像的色彩直方圖和初始化圖像的邊緣直方圖；色彩概率圖像獲得模塊603，用于根據色彩直方圖獲得待跟蹤人臉的色彩概率圖 像；中心調整模塊604，用于將色彩概率圖像的中心調整至色彩概率圖像的重心；人臉跟蹤窗口獲得模塊605，用于根據初始化圖像的邊緣直方圖與調整后的色彩 概率圖像的邊緣直方圖，獲得人臉跟蹤的窗口 ；將獲得的人臉跟蹤的窗口作為下一幀圖像 的待跟蹤人臉的初始化圖像。其中，一種實施方式下，初始化圖像獲得模塊601具體包括9
近似頭部區(qū)域獲得單元，用于采用運動目標檢測技術，根據人體頭肩部比例關系， 獲得近似頭部區(qū)域；初始化圖像獲得單元，用于采用人臉檢測分類器對近似頭部區(qū)域的圖像進行智能 人臉檢測，獲得待跟蹤人臉的初始化圖像。進一步的，初始化圖像獲得模塊601還包括放大單元，用于將近似頭部區(qū)域獲得單元中獲得的近似頭部區(qū)域進行放大；相應的，初始化圖像獲得單元具體用于采用人臉檢測分類器對放大后的近似頭 部區(qū)域進行智能人臉檢測。其中，一種實施方式下，中心調整模塊604具體包括計算單元，用于計算色彩概率圖像的重心；判斷單元，用于判斷中心與重心之間的差值是否小于等于預先設定的閥值；中心調整單元，用于如果判斷單元的判斷結果為是時，不調整中心；如果判斷單元 的判斷結果為否時，將中心按照預先設定的步長朝著重心移動一個步長，并啟動判斷單元。其中，一種實施方式下，人臉跟蹤窗口獲得模塊605具體包括計算單元，用于統(tǒng)計調整后的色彩概率圖像的邊緣直方圖，并歸一化初始化圖像 的邊緣直方圖；獲得單元，用于利用歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概 率圖像的邊緣直方圖計算巴氏距離，獲得相似程度最高的人臉窗口。其中，相似程度最高指的是巴氏距離小于等于預設值。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和 原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。
權利要求
1.一種人臉跟蹤的方法，其特征在于，所述方法包括獲得待跟蹤人臉的初始化圖像；統(tǒng)計所述初始化圖像的像素分布特征，所述像素分布特征至少包括所述初始化圖像的 色彩直方圖和所述初始化圖像的邊緣直方圖；根據所述色彩直方圖獲得所述待跟蹤人臉的色彩概率圖像；將所述色彩概率圖像的中心調整至所述色彩概率圖像的重心，得到調整后的色彩概率 圖像；根據所述初始化圖像的邊緣直方圖與所述調整后的色彩概率圖像的邊緣直方圖，獲得 人臉跟蹤的窗口；將所述獲得的人臉跟蹤的窗口作為下一幀圖像的待跟蹤人臉的初始化圖像。
2.如權利要求1所述的人臉跟蹤的方法，其特征在于，所述獲得待跟蹤人臉的初始化 圖像，具體包括采用運動目標檢測技術，根據人體頭肩部比例關系，獲得近似頭部區(qū)域；采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行智能人臉檢測，獲得待跟蹤人臉 的初始化圖像。
3.如權利要求2所述的人臉跟蹤的方法，其特征在于，所述獲得近似頭部區(qū)域之后，所 述方法還包括將所述近似頭部區(qū)域進行放大；相應的，所述采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行智能人臉檢測，具 體包括采用人臉檢測分類器對放大后的近似頭部區(qū)域進行智能人臉檢測。
4.如權利要求1所述的人臉跟蹤的方法，其特征在于，所述將所述色彩概率圖像的中 心調整至所述色彩概率圖像的重心，具體包括計算所述色彩概率圖像的重心；判斷所述中心與所述重心之間的差值是否小于等于預先設定的閥值；如果是，則所述色彩概率圖像的中心已調整至所述色彩概率圖像的重心；如果否，將所述中心按照預先設定的步長朝著所述重心移動一個步長，并執(zhí)行判斷所 述中心與所述重心的差值是否小于等于預先設定的閥值的步驟。
5.如權利要求1所述的人臉跟蹤的方法，其特征在于，所述根據所述初始化圖像的邊 緣直方圖與調整后的所述色彩概率圖像的邊緣直方圖，獲得人臉跟蹤的窗口，具體包括統(tǒng)計調整后的所述色彩概率圖像的邊緣直方圖，并歸一化所述初始化圖像的邊緣直方圖；利用歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概率圖像的邊緣直方圖 計算巴氏距離，獲得相似程度最高的人臉窗口。
6.如權利要求5所述的人臉跟蹤的方法，其特征在于，所述相似程度最高具體為所述 巴氏距離小于等于預設值。
7.—種人臉跟蹤的裝置，其特征在于，所述裝置包括初始化圖像獲得模塊，用于獲得待跟蹤人臉的初始化圖像；像素分布特征統(tǒng)計模塊，用于統(tǒng)計所述初始化圖像的像素分布特征，所述像素分布特征至少包括所述初始化圖像的色彩直方圖和所述初始化圖像的邊緣直方圖；色彩概率圖像獲得模塊，用于根據所述色彩直方圖獲得所述待跟蹤人臉的色彩概率圖像；中心調整模塊，用于將所述色彩概率圖像的中心調整至所述色彩概率圖像的重心，得 到調整后的色彩概率圖像；人臉跟蹤窗口獲得模塊，用于根據所述初始化圖像的邊緣直方圖與所述調整后的色彩 概率圖像的邊緣直方圖，獲得人臉跟蹤的窗口 ；將所述獲得的人臉跟蹤的窗口作為下一幀 圖像的待跟蹤人臉的初始化圖像。
8.如權利要求7所述的人臉跟蹤的裝置，其特征在于，所述初始化圖像獲得模塊具體 包括近似頭部區(qū)域獲得單元，用于采用運動目標檢測技術，根據人體頭肩部比例關系，獲得 近似頭部區(qū)域；初始化圖像獲得單元，用于采用人臉檢測分類器對所述近似頭部區(qū)域的圖像進行智能 人臉檢測，獲得待跟蹤人臉的初始化圖像。
9.如權利要求8所述的人臉跟蹤的裝置，其特征在于，初始化圖像獲得模塊還包括 放大單元，用于將所述近似頭部區(qū)域獲得單元中獲得的近似頭部區(qū)域進行放大；相應的，所述初始化圖像獲得單元具體用于采用人臉檢測分類器對放大后的近似頭 部區(qū)域進行智能人臉檢測。
10.如權利要求7所述的人臉跟蹤的裝置，其特征在于，中心調整模塊具體包括 計算單元，用于計算所述色彩概率圖像的重心；判斷單元，用于判斷所述中心與所述重心之間的差值是否小于等于預先設定的閥值； 中心調整單元，用于如果所述判斷單元的判斷結果為是時，不調整所述中心；如果所 述判斷單元的判斷結果為否時，將所述中心按照預先設定的步長朝著所述重心移動一個步 長，并啟動判斷單元。
11.如權利要求7所述的人臉跟蹤的裝置，其特征在于，人臉跟蹤窗口獲得模塊具體包括計算單元，用于統(tǒng)計調整后的所述色彩概率圖像的邊緣直方圖，并歸一化所述初始化 圖像的邊緣直方圖；獲得單元，用于利用歸一化以后的初始化圖像的邊緣直方圖，與調整后的色彩概率圖 像的邊緣直方圖計算巴氏距離，獲得相似程度最高的人臉窗口。
全文摘要
本發(fā)明公開了一種智能人臉跟蹤的方法，涉及計算機技術領域。所述方法包括獲得待跟蹤人臉的初始化圖像；統(tǒng)計所述初始化圖像的像素分布特征，所述像素分布特征至少包括所述初始化圖像的色彩直方圖和所述初始化圖像的邊緣直方圖；根據所述色彩直方圖獲得所述待跟蹤人臉的色彩概率圖像；將所述色彩概率圖像的中心調整至所述色彩概率圖像的重心；根據初始化圖像的邊緣直方圖與調整后的色彩概率圖像的邊緣直方圖，獲得人臉跟蹤的窗口；將獲得的人臉跟蹤的窗口作為下一幀圖像的待跟蹤人臉的初始化圖像。相應的，還提供了一種智能人臉跟蹤的裝置。通過本發(fā)明提供的技術方案，可以為IM視頻獲得更為準確的以人臉為主體的視頻跟蹤圖像。
文檔編號G06K9/48GK102054159SQ200910208510
公開日2011年5月11日 申請日期2009年10月28日 優(yōu)先權日2009年10月28日
發(fā)明者孫煒, 龍一民 申請人:騰訊科技(深圳)有限公司