1. 研究目的与意义（文献综述）
当今社会，在海关、机场、银行、电视电话会议等场合，都需要对特定人脸目标进行跟踪。显然，要跟踪图像中的人脸，首先要识别人脸。人脸识别就是利用计算机分析静态图片或视频序列，从中找出人脸并输出人脸的数目、位置及其大小等有效信息，其次就是人脸跟踪。
人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则是在90年代后期，并且以美国、德国和日本的技术实现为主。人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。狭义的人脸识别系统是指将静态图像或从视频中获取的视频图像与事先建立好的人脸特征库对比，寻找出与待识别人脸相匹配的人脸。广义的人脸识别系统包括人脸检测、特征提取和人脸识别三部分。人脸检测用来确定静态图像或视频图像中是否包含人脸，若包含人脸，则确定人脸的位置和大小及其相关信息。人脸跟踪着眼于视频中的帧图像，对于在人脸检测算法中提到人脸的视频帧图像，根据某个或某些算法集合在下一帧图像中对人脸可能出现的位置和大小进行预测，本质是为了提高提取人脸的速度、准确率及鲁棒性。特征提取模块从检测到的人脸区域提取出能标识某一人脸的相关特征，以便供人脸识别算法进行人脸识别过程。
人脸跟踪算法就是在视频序列中确定相关帧中人脸的对应关系，并根据前面帧中人脸的位置确定后续帧中人脸的位置。大多人脸跟踪算法都是根据人脸检测的结果初始化跟踪的目标和位置。目前常见的跟踪技术大致可分为4大类：基于模型跟踪，基于运动信息跟踪，基于人脸局部特征跟踪和基于神经网络跟踪等。在检测到人脸的前提下，在后续帧中继续捕获人脸的位置及其大小等信息。人脸跟踪技术涉及到模式识别、图像处理、计算机视觉、生理学、心理学及形态学等诸多学科，并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互的研究领域密切相关。与基于指纹、视网膜、虹膜、DNA等其它人体生物特征识别系统相比，人脸跟踪技术更为直接、友好。不会对用户造成心理障碍。此外，人脸跟踪技术研究与相关学科的发展及对人脑的认识程度紧密相关，以上诸多因素使人脸跟踪研究成为一项既困难又极富挑战性的课题。
目前，国内外比较流行的人脸检测方法主要有基于特征的人脸检测算法、基于统计的人脸检测算法、基于模板的人脸检测算法和基于统计的人脸检测算法、基于模板的人脸检测算法和基于人脸彩色信息的检测算法等。MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。国外对人脸检测问题的研究较多，国际上发表的论文数量也大幅增长。在模式领域的重要国际会议上，人脸检测已经成为必不可少的一个专题，从1995开始每年都会召开专门的国际会议，如FG、ICIP、CVPR等。此外，一些实用化的产品也陆续问世，如Miros公司的TrueFace系统、VISionicS公司的Facelt系统等都展现了较好的商业发展前景。如今大部分国家都有专门的研究生小组在进行这方面的研究，比较著名的有美国的麻省理工学院，普林斯顿大学，日本东京大学。从九十年代以后我国才开始这一领域的研究，最早是华东理工学院发表了多篇论文，随后哈尔滨工业大学，中国科技大学等学院也展开了相关的研究工作。目前，清华大学、北京工业大学、中科院计算所和自动化等都有专门研究人脸检测的组织，各种人脸检测方案不断的涌现。基于视频序列的人脸检测与跟踪的应用已经远远超出了人脸识别系统的范畴，从生产生活到国防安全，从可视化视频会议到刑事案件犯罪嫌疑人等诸多方面都有着重要的应用价值。广泛的应用背景，迫切的应用需求促使研究者对基于视频序列的人脸检测与跟踪技术产生浓厚的研究热情，同时使这个课题在IT行业成为一个热门的研究问题。
2. 研究的基本内容与方案
人脸检测与跟踪技术经过几十年的发展都取得了很大的进步，但还是存在一些问题，如：在背景复杂状况下只能做到对正面人脸的检测，侧面或旋转状态的检测率不高，经常出现漏检的情况；输入图像的质量，如光线，噪声，对比度等因素引起的图像模糊对判断图像中是否存在人脸造成困难；人脸是弹性变化的，不仅每个人形态不同，同一个人在不同姿态下状况也不同。在外界因素如帽子、口罩、眼镜、头发的遮挡下人脸检测的很多方法都会失效。
本次研究主要在国内外大量有关视频序列人脸跟踪算法的前提下，对基于视频序列的人脸跟踪算法进行深入的研究和探索，以提高人脸检测的速度及准确性，在已有研究成果的基础上设计并实现一种有效、快速的基于视频序列的人脸跟踪算法。主要的研究内容有：对于环境和摄像头的影响，视频可能存在光照不均匀、噪声等问题导致检测性能降低的情况，为此研究视频图像预处理，以视频帧图像为单位对每一帧进行处理，经过光照补偿、滤波等处理，提高图像的质量；对于基于视频的人脸跟踪实时性的要求，对复杂背景的视频序列，利用肤色特征提取背景中肤色及类肤色区域作为候选区域的方法；研究adaboost算法在人脸检测中的应用，结合改进的adaboost人脸检测算法，运用均值漂移策略对视频帧图像中检测到的人脸区域进行跟踪，将半自动化的camshift跟踪算法改进为自动人脸跟踪算法，提高人脸提取的准确性；运用直方图匹配策略解决当目标人脸发生严重遮挡时造成的误跟踪问题，综合对比几种直方图匹配方法并选择合适者；运用视频图像中的相关信息去除发生严重遮挡的视频图像帧，提高算法的人脸跟踪性能。算法结构如下：
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 研究计划与安排
1-3周：查阅相关文献资料，熟悉题目含义及基本研究内容，撰写开题报告。
4-9周：完成相关理论知识的学习与研究，对视频图像中人脸检测关键技术进行学习。
10-14周：复习matlab相关知识，对关键技术的主要算法进行仿真实现。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
4. 参考文献（12篇以上）
[1]张重生.刷脸背后：人脸检测 人脸识别 人脸检索[M].北京：电子工业出版社，2017.
[2]肖创柏.数字图像处理[M].北京：机械工业出版社,2015.
[3]兰琦.视频序列中的人脸检测与跟踪技术研究[D].中国科学院大学(中国科学院光电技术研究所),2017.
[4]Rambach J, Huber M F, Balthasar M R, et al. Collaborative multi-camera face recognition and tracking[C]// IEEE International Conference on Advanced Video amp; Signal Based Surveillance.2015.
[5]Koide K, Menegatti E, Carraro M, et al. People tracking and re-identification by face recognition for RGB-D camera networks[C]// European Conference on Mobile Robots.2017.
[6]Mei W, Deng W. Deep Face Recognition: A Survey[J].2018.
[7]Chowdhury A R, Lin T Y, Maji S, et al. One-to-many face recognition with bilinear CNNs[C]// IEEE Winter Conference on Applications of Computer Vision.2016.
[8]陈天华.数字图像处理及应用--使用MTLAB分析与实现[M].北京：清华大学出版社,2019.
[9]王文峰，李大湘，王栋.人脸识别原理与实战：以MATLAB为工具[M].北京：电子工业出版社,2018.
[10]刘衍琦，詹福宇，蒋献文，周华英.MATLAB计算机视觉与深度学习实战[M].北京：电子工业出版社,2017.
[11]李三平，陈建平.MATLAB与机器学习[M].北京:机械工业出版社,2018.
[12]Zheng Zhang，Chao Xu，Shuxia Ren，Hailing Han.数字图像处理与机器视觉——Visual C 与MATLAB实现(第2版)[M].北京：人民邮电出版社,2014.
[13]胡一帆,胡友彬,李骞, et al. 基于视频监控的人脸检测跟踪识别系统研究[J]. 计算机工程与应用,2016,52(21):1-7.
[14]Abdalmageed W, Wu Y, Nevatia R, et al. Face recognition using deep multi-pose representations[C]// Applications of Computer Vision.2016.
[15]Nagendra S, Baskaran R, Abirami S. Video-Based Face Recognition and Face-Tracking using Sparse Representation Based Categorization[J]. Procedia Computer Science,2015,54:746-755.
[16]杨文娟.视频图像中人脸跟踪算法的研究[D].河北工业大学,2015.
剩余内容已隐藏，您需要先支付
10元 才能查看该篇文章全部内容！
立即支付
