技術(shù)特征：

1.一種融合膚色及輪廓篩選的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，包括以下步驟：

(1)獲取視頻圖像；

(2)基于級聯(lián)強決策樹從所述視頻圖像中檢測出人臉區(qū)域；

(3)基于膚色特性從所述人臉區(qū)域中篩選候選人臉；

(4)基于輪廓特性從步驟(2)輸出的候選人臉圖像中進一步篩選候選人臉；

(5)對步驟(4)輸出的候選人臉圖像進行灰度處理，得到運動人臉的直方圖模板，根據(jù)所述運動人臉的直方圖模板確定跟蹤的人臉區(qū)域圖像；

(6)基于所述步驟(5)確定跟蹤的人臉區(qū)域圖像，自適應(yīng)調(diào)整人臉跟蹤窗口。

2.根據(jù)權(quán)利要求1所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述步驟(2)包括以下過程：

(2.1)選定n個輸入訓練樣本集合：S＝{(F₁,e₁),(F₂,e₂),…,(F_n,e_n)}，F(xiàn)_i是指第i個輸入圖像，e_i表示圖像樣本的結(jié)構(gòu)標識，e_i∈{0,1}，當e_i＝0時，表示F_i為反比例樣本向量，即非人臉樣本；當e_i＝1時，表示F_i為正比例樣本向量，即為人臉樣本；

(2.2)針對訓練樣本S上的任意樣本圖像F_i構(gòu)建特征k的弱決策樹d_k(F_i)，k∈[1，K]，K為特征總數(shù)，則有

$\∀i\∈\[1,n\],d_k\left(F_i\right)=\left\{\begin{array}{cc}1& C_k{g}_k\left(F_i\right)\≥C_k{\mathrm{Th}}_k\\ 0& otherwise\end{array}\right.,$

${\mathrm{Th}}_k=\frac{N_T{v}_T+N_F{v}_F}{N_T+N_F},$

當d_k(F_i)＝1時，弱決策樹判斷樣本圖像F_i為人臉，否則判斷為非人臉；其中，g_k(F_i)表示第k個特征在圖像F_i上的特征值，Th_k是第k個特征的閾值，N_T，N_F分別表示人臉和非人臉樣本數(shù)目，v_T和v_F為當前特征在所有人臉及非人臉樣本圖像上的平均特征值，C_k的作用是控制不等式的方向，當v_T<Th_k時，C_k＝-1，當v_T≥Th_k時，C_k＝+1；

(2.3)初始化訓練樣本S的權(quán)重π_z(z＝1)，并進行Z輪訓練，且

${\mathrm{\&pi;}}_1=\{{\mathrm{\&pi;}}_1\left(F_1\right),{\mathrm{\&pi;}}_1\left(F_2\right),{\mathrm{\&pi;}}_1\left(F_3\right),...,{\mathrm{\&pi;}}_1\left(F_n\right)|{\mathrm{\&pi;}}_1\left(F_i\right)=\frac{1}{n}\};$

(2.4)在第z輪訓練中，對于任意特征k，k∈[1，K]，訓練一個只使用該特征的弱決策樹d_k(F_i)，并計算該決策樹產(chǎn)生的分類錯誤

${\mathrm{\&Delta;}}_z^k=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&pi;}}_z\left(F_i\right)|d_k\left(F_i\right)-e_i|;$

(2.5)選出第z輪訓練中分類錯誤最小的弱決策樹d^z(F_i)，并將其最小分類錯誤記為更新各個樣本的權(quán)值π_z+1(F_i)，其中，

$\&ForAll;i\&Element;\&lsqb;1,n\&rsqb;,{\mathrm{\&pi;}}_{z+1}\left(F_i\right)=\left\{\begin{array}{cc}{\mathrm{\&pi;}}_z\left(F_i\right)\&times;\frac{{\mathrm{\&Delta;}}_{z\min }}{1-{\mathrm{\&Delta;}}_{z\min }}& d_k\left(F_i\right)=e_i\\ {\mathrm{\&pi;}}_z\left(F_i\right)& d_k\left(F_i\right)\&NotEqual;e_i\end{array}\right.$

(2.6)z＝z+1，歸一化樣本權(quán)重π_z：

判定z是否小于等于Z，當z小于等于Z時，轉(zhuǎn)(2.4)，當z大于Z時，轉(zhuǎn)(2.7)；

(2.7)基于對正反比例樣本的分析，選出誤差最小的Z個弱決策樹，最終優(yōu)化成一個強決策樹D(F_i)：

$D\left(F_i\right)=\left\{\begin{array}{cc}1& \underset{z=1}{\overset{Z}{\&Sigma;}}\left\{\log \left(\frac{1-{\mathrm{\&Delta;}}_{z\min }}{{\mathrm{\&Delta;}}_{z\min }}\right)d^z\left(F_i\right)\right\}\&GreaterEqual;\underset{z=1}{\overset{Z}{\&Sigma;}}\frac{1}{2}\log \left(\frac{1-{\mathrm{\&Delta;}}_{z\min }}{{\mathrm{\&Delta;}}_{z\min }}\right)\\ 0& otherwise\end{array}\right.$

當D(F_i)＝1時，強決策樹判斷樣本圖像F_i為人臉，否則判斷為非人臉；

(2.8)經(jīng)過一級一級的強決策樹的決策，輸出候選人臉區(qū)域圖像F^c。

3.根據(jù)權(quán)利要求2所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述步驟(3)包括以下過程：

(3.1)輸入所述步驟(2.8)輸出的候選人臉區(qū)域圖像F^c；

(3.2)采用映射關(guān)系將所述候選人臉區(qū)域圖像F^c從RGB顏色空間轉(zhuǎn)換到Y(jié)IQ顏色空間，獲得YIQ候選人臉區(qū)域彩色圖像；

(3.3)提取所述YIQ候選人臉區(qū)域彩色圖像的各個像素點的色度分量信息I和Q；

(3.4)依據(jù)置信區(qū)間對所述YIQ候選人臉區(qū)域彩色圖像進行二值化，將在置信區(qū)間內(nèi)的像素的值置為1，為膚色像素，否則，置為0，為非膚色像素，得到膚色區(qū)域與非膚色區(qū)域；

(3.5)剔除所述YIQ候選人臉區(qū)域彩色圖像中不含膚色像素點的區(qū)域，并輸出候選人臉的二值化圖像F^b。

4.根據(jù)權(quán)利要求3所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述步驟(4)包括以下過程：

(4.1)輸入所述二值化圖像F^b；

(4.2)對所述二值化圖像F^b進行M次膨脹運算再進行N次腐蝕運算，還原受光線影響的膚色區(qū)域；

(4.3)遍歷所述二值化圖像F^b中的膚色像素點，獲取膚色區(qū)域的上、下、左、右邊界B_t、B_b、B_l、B_r，并重新確定所述二值化圖像F^b中的人臉區(qū)域的大小獲得待檢測區(qū)域；

(4.4)計算所述待檢測區(qū)域內(nèi)白色像素的總個數(shù)：其中，A_s表示所述待檢測區(qū)域內(nèi)的膚色面積，n為所述待檢測區(qū)域內(nèi)的總像素個數(shù)，α_i表示第i個像素點的屬性，當α_i值為1時，該像素點為膚色像素點，當α_i值為0時，該像素點為背景像素點；

(4.5)采用人臉輪廓的約束條件對所述待檢測區(qū)域進行區(qū)域篩選，進一步排除誤檢的人臉區(qū)域，獲得有效的人臉區(qū)域圖像F^e。

5.根據(jù)權(quán)利要求4所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述步驟(5)包括以下過程：

(5.1)輸入所述有效的人臉區(qū)域圖像F^e；

(5.2)計算出人臉區(qū)域中心位置O₀，并在包含所述人臉區(qū)域中心位置O₀的矩形跟蹤區(qū)域中，對所有的像素點位置{o₁，o₂，…，o_n}進行歸一化處理；

(5.3)將歸一化后的人臉區(qū)域作為運動人臉的直方圖模板；

${\hat{q}}_m=C\underset{i=1}{\overset{n}{\&Sigma;}}\mathrm{\&kappa;}\left(\right|\left|o_i\right|{|}^2)\mathrm{\&delta;}\&lsqb;t\left(o_i\right)-m\&rsqb;$

為歸一化系數(shù)，κ(·)為核函數(shù)，t(o_i)為o_i像素點對應(yīng)直方圖中的灰度索引值，m為直方圖中的灰度索引值，δ為Kronecker delta函數(shù)；

(5.4)計算當前幀的候選人臉的顏色直方圖

${\hat{q}}_m\left(O_j\right)=C_h\underset{i=1}{\overset{n_h}{\&Sigma;}}\mathrm{\&kappa;}\left(\right|\left|\frac{O_j-o_i^{*}}{h}\right|{|}^2)\mathrm{\&delta;}\&lsqb;t\left(o_i^{*}\right)-m\&rsqb;$

其中，為歸一化系數(shù)，為候選人臉區(qū)域?qū)?yīng)的歸一化像素位置，j表示迭代的次數(shù)，當j＝0時，O_j＝O₀，否則O_j為上一次迭代的人臉區(qū)域中心位置，h表示帶寬；

(5.5)計算每個像素點的權(quán)值ω_i和下一幀中新窗口的中心O_j+1；

${\mathrm{\&omega;}}_i=\underset{m=0}{\overset{255}{\&Sigma;}}\sqrt{\frac{{\hat{q}}_m}{{\hat{q}}_m\left(O_j\right)}}\mathrm{\&delta;}\&lsqb;t\left(o_i^{*}\right)-m\&rsqb;,O_{j+1}=\underset{i=1}{\overset{n_h}{\&Sigma;}}{x}_i{\mathrm{\&omega;}}_{i}g\left(\right||o_i^{*}-O_j|{|}^2)/\underset{i=1}{\overset{n_h}{\&Sigma;}}{\mathrm{\&omega;}}_{i}g\left(\right||o_i^{*}-O_j|{|}^2)$

其中，g(·)為κ(·)一階導(dǎo)數(shù)的相反數(shù)；

(5.6)判定||O_j+1-O_j||是否小于等于ε，當||O_j+1-O_j||小于等于ε時，結(jié)束匹配均值漂移向量，并確定跟蹤的人臉區(qū)域圖像F^f；當||O_j+1-O_j||大于ε時，j＝j(luò)+1，轉(zhuǎn)步驟(5.4)。

6.根據(jù)權(quán)利要求5所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述步驟(6)的過程包括：

(6.1)輸入所述確定跟蹤的人臉區(qū)域圖像F^f；

(6.2)計算當前幀j幀的人臉跟蹤窗口F^sw的零階矩和x與y的一階矩

$M_{00}^j=\underset{x_i}{\&Sigma;}\underset{y_i}{\&Sigma;}{F}^{sw}(x_i,y_i),M_{10}^j=\underset{x_i}{\&Sigma;}\underset{y_i}{\&Sigma;}{x}_i{F}^{sw}(x_i,y_i),M_{01}^j=\underset{x_i}{\&Sigma;}\underset{y_i}{\&Sigma;}{y}_i{F}^{sw}(x_i,y_i)$

其中，F(xiàn)^sw(x,y)為人臉跟蹤窗口F^sw中點(x,y)處的像素值，(x_i,y_i)∈F^sw；

(6.3)獲取人臉區(qū)域的質(zhì)心：

(6.4)取所述人臉區(qū)域的質(zhì)心與所述步驟(5)中的匹配人臉均值漂移向量所得中心的均值作為人臉中心(x_jc,y_jc)；

(6.5)計算所述人臉跟蹤窗口F^sw的二階矩，得到人臉的長軸l_j、短軸w_j和方向角θ_j；

$\left\{\begin{array}{c}{l}_j=\sqrt{\&lsqb;(a_j+c_j)+\sqrt{b_j^2+{(a_j-c_j)}^2}\&rsqb;/2}\\ w_j=\sqrt{\&lsqb;(a_j+c_j)-\sqrt{b_j^2+{(a_j-c_j)}^2}\&rsqb;/2}\\ {\mathrm{\&theta;}}_j=\frac{1}{2}\arctan \{2b_j/(a_j-c_j)\}\end{array}\right.$

其中，a_j、b_j、c_j為長軸、短軸和方向角的相應(yīng)計算參數(shù)，分別為人臉跟蹤窗口F^sw中xy的一階矩及x和y的二階矩；

(6.6)將獲取的所述長軸、短軸與上一幀人臉區(qū)域的長和寬進行加權(quán)計算，獲取當前幀的人臉區(qū)域的大?。?/p>

$\left\{\begin{array}{c}{W}_j=0.85*l_j+0.15*W_{j-1}\\ H_j=0.85*w_j+0.15*H_{j-1}\end{array}\right.$

其中，W_j和H_j分別表示當前幀人臉區(qū)域的長和寬。

7.根據(jù)權(quán)利要求1所述的人臉自適應(yīng)檢測與跟蹤方法，其特征在于，所述方法，先對視頻圖像中的第一幀依次進行步驟(2)、(3)、(4)的處理，輸出候選人臉圖像；然后依次執(zhí)行步驟(5)、(6)來對步驟(4)輸出的候選人臉圖像的候選人臉進行連續(xù)n₀幀的自適應(yīng)跟蹤；當連續(xù)n₀幀跟蹤結(jié)束后再按照步驟(2)、(3)、(4)對跟蹤的候選人臉區(qū)域進行框選和篩選以修正人臉位置。