CN102592146A - 适用于视频监控的人脸检测及摄像机云台控制方法 - Google Patents

Abstract

本发明涉及一种适用于视频监控的通用人脸检测及摄像机云台控制方法。该方法包括基于多核架构的人脸检测、人脸区域运动轨迹预测和控制摄像机云台抓拍人脸三大步骤，其主要特点是能够通过高效的基于多核架构的人脸检测算法检测出人脸区域来控制监控摄像机云台的运动轨迹并进行预测，从而对检测出的人脸区域进行放大拍摄存储的操作。本发明具有广泛的应用前景，可以应用到各种基于人脸检测技术的智能监控系统中，使得各系统的正确率及效率性能得到进一步的提升。

Description

适用于视频监控的人脸检测及摄像机云台控制方法

技术领域：

本发明涉及一种适用于视频监控的通用人脸检测及摄像机云台控制方法。该方法的主要特点是能够通过高效的基于多核架构的人脸检测算法检测出人脸区域来控制监控摄像机云台的运动轨迹并进行预测，从而对检测出的人脸区域进行放大拍摄存储的操作。

背景技术：

视频监控系统中的人脸检测跟踪技术在身份验证、人机交互接口、智能视觉监控、基于感兴趣区ROI的编码与传输、可视电话等领域有着广泛的应用和广阔的发展前景。首先，视频图像的人脸跟踪技术主要应用于视频会议系统和视频监视系统中。针对敏感场合(如银行、商店、停车场)开发的智能监控系统，能够每天连续24小时地实时监控，并自动分析摄像机捕获的图像数据，当盗窃发生或发现到具有异常行为的可疑人物时，系统能向保卫人员准确及时地发出警报，从而避免犯罪的发生；同时，人脸检测和跟踪技术在访问控制场合，在自动售货机、ATM机，交通管理、公共场合行人的拥挤状态分析及商店中消费者流量统计等监控方面也有着相应的应用。

其次，在人机交互技术上，视频图像的人脸检测跟踪技术占有举足轻重的地位。人机交互一直是信息处理研究领域发展过程中的一个重要环节。在智能化的人机交互过程和对计算机视觉的研究中，人脸可以提供大量有价值的信息，也可以作为一个友好的交互接口，用于身份验证、多媒体数据库的检索等领域中。

现有的人脸检测系统虽然已经能够以较高的正确率检测出人脸，但在大多数情况下所能提供的人脸图像在清晰度和完整性上难以满足要求，存在着相当大的缺陷；即使随着现在安装有高清摄像机的监控系统的日益流行，当检测目标位于较远处时，如果不进行镜头焦距的调校及画面大小的缩放，所拍摄到的图像的清晰度仍然不能满足要求。譬如检测到的图像未经处理便存入数据库中，导致检测到的人脸过小或者过于模糊；检测的到人脸图像被某些遮挡物或附着物覆盖，如前景物(位于人脸与摄像机之间的任意不透明物体)、头发、眼镜、胡须，导致检测到的人脸一部分或全部特征丢失；检测到的图像由于拍摄角度不正确导致大部分人脸特征丢失等。由于视频分辨率低，关键部位成像过小，往往无法得到关心的物体的清晰形象，这些不足将对公安机关事后调用取证造成很大的负面影响，极大地影响了视频监控的使用成效。

发明内容：

1)基于多核架构的人脸检测：研究人脸检测的各种特征的选取以及各种特征的提取方法：通过对各种不同人脸的描述及观察，提取出其所具备的共有特征，并用若干数学模型对其进行表述及阐释；研究从大量人脸和非人脸样本中自动学习具有区分性的特征的方法，从而构建准确的人脸分类器；在实现人脸检测算法的基础上，分析算法的并行性，并进一步对多任务调度策略进行完善，从而实现基于多核架构的实时、鲁棒、高效的人脸检测方法，根据所检测出的人脸位置与人脸图像所在区域的具体尺寸，准确高效地标识视频画面中出现的人脸，具体如下：

11)初始化训练集

把所有用于训练的人脸图像作为输入，抠取出图像中的人脸区域。接着用归一化与图像缩放技术把所有抠取出的图像调整为统一的大小；

1.2)提取图像特征

采用积分图作为人脸区域的特征，积分图为矩形特征，位置坐标为(x，y)的积分图包含像素(x，y)左侧及上侧的所有像素的和为：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤i}{\mathrm{\Σ}}i(x^{\′},y^{\′})---\left(1\right)$

其中i(x′，y′)为坐标值(x′，y′)上像素的灰度值；

1.3)初始化样本集

给定样本图像特征集，包括对应于人脸图像的正样本与对应于非人脸图像的负样本：(x₁，y₁)，...，(x_n，y_n)，其中x_i为样本的积分图特征，y_i＝0，1为样本类标签，其中0表示负样本，1表示正样本。

初始化样本权值，对于y_i＝0，

对于y_i＝1，

其中m和l分别为负样本与正样本的个数，w_1，i表示第i个样本的初始权值；

1.4)训练弱分类器

对于每一级弱分类器，t＝1，...，T，其中T表示弱分类器的个数：

1.4.1)归一化样本权值：

$w_{t,i}\←\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}---\left(2\right)$

使w_t，i为一概率分布，w_t，i表示第i个样本第t次迭代后的权值；

1.4.2)对于每个特征j训练一个弱分类器h_j，每个分类器对应于特征集中的一个单独的特征，并计算每个分类器与真实类别之间相对于w_t的误差：

ε_j＝∑_iw_i|h_j(x_i)-y_i|        (3)

1.4.3)选择具有最小误差ε_t的分类器h_t；

1.4.4)更新权值：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i}---\left(4\right)$

如果x_i分类正确，e_i＝0；否则e_i＝1；

1.4.5)生成强分类器

最后生成的强分类器为：

$h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}{\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

2)人脸区域运动轨迹预测：在连续多帧人体检测的基础上，估计当前运动目标的轨迹，预测出运动目标在下一时段中的位置；从而解决摄像头拉近图像的延迟问题(云台的活动从收到命令到完成命令需要一段时间)，具体如下：

2.1)估算人脸区域在图像中的位置

利用式(5)的人脸分类器对获得的视频图像进行扫描搜索人脸区域，在检测出人脸区域后，立即记录下当前检测到的人脸区域范围；然后以当前区域做为参考区域，对于区域中的每个像素使用Kanade-Lucas算法计算之后一段时间t内的光流，从而获得区域中每个像素的速度矢量；接着对所有像素进行速度矢量求和，然后求均值，最终得到一个平均速度；以此速度为依据，并结合摄像机云台的运动参数，估算出时间t后人脸区域的在图像中的大致位置；

2.2)估计人脸区域在现实世界中的具体位置

首先建立一个投影模型，此模型用来把2D的图像坐标(x，y)转换为3D的摄像机坐标，用三角法计算人脸的位置P：

$P={(\frac{\mathrm{xZ}}{f},\frac{\mathrm{yZ}}{f},Z)}^T---\left(6\right)$

其中，x和y为摄像机拍摄到的画面上的人脸位置，f为摄像机镜头的焦距；

假设人脸深度为W，那么：

$P={(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T---\left(7\right)$

其中w为摄像机拍摄到的人脸宽度，这样就把图像坐标转换到全局坐标系：

$P{(X,Y,Z)}^T=\left(\begin{array}{ccc}\sin {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0\\ \cos {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0\\ 0& \cos {\mathrm{\α}}_0& \sin {\mathrm{\α}}_0\end{array}\right){(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T$

$=\left(\begin{array}{c}(\sin {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (\cos {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (f*\sin {\mathrm{\α}}_0+y\cos {\mathrm{\α}}_0)*\frac{W}{w}\end{array}\right)---\left(8\right)$

其中α₀和β₀表示摄像机的方向角；

2.3)计算摄像机的云台位置P(X，Y，Z)：

$\mathrm{\α}=\arctan \left(\frac{Z}{\sqrt{X^2+Y^2}}\right)---\left(9\right)$

$\mathrm{\β}=\arctan \left(\frac{Y}{X}\right)---\left(10\right)$

$r=\frac{E*\sqrt{X^2+Y^2+Z^2}}{W}---\left(11\right)$

其中r为摄像机焦距，E为摄像机拍摄到的人脸尺寸；参数W的范围为0.12≤W≤0.2，为一经验值；3)摄像机云台控制抓取人脸：基于人体运动估计结果，研究对人脸做出预定位与捕获的方法；研究根据运动目标的预测轨迹计算摄像机云台运动参数(平移距离、旋转角度等)的方法，具体如下：

把人脸区域运动轨迹预测部分的输出做为监控系统的输入，通过通讯接口电路把模拟信号转换成机械控制指令控制摄像机云台的旋转和摄像机镜头的缩放，从而把人脸区域移动到拍摄区域的正中央，并随后进行放大操作，拍摄下清晰的人脸图像。

本发明能够准确高效地摄抓拍到清晰的人脸，给事后调用证据提供了可靠的依据。

具体实施方式：

下面根据本发明的流程图图1对各个部分进行详细说明：

1.基于多核架构的人脸检测算法

为了在复杂场景中保证人脸检测的正确率，同时保持较低的错检率，我们采用了高效的基于Haar-like特征的AdaBoost算法，它的最大优点是训练误差以指数形式趋向于0，且检测误差存在边界。

在此算法能够正确地检测人脸之前，我们需要对真实的人脸样本进行训练。生成级联的分类器

每个H_i有很高的检出率，但只具备约50％的错检率。如果输入图像区域被H_i检测为人脸，那么此区域将被传递给下一个分类器H_i+1，否则抛弃此区域。通过分类器的层层过滤，算法将获得非常好的分类效果。

训练具体步骤如下：

●步骤一：初始化训练集

把所有用于训练的人脸图像作为输入，抠取出图像中的人脸区域。接着用归一化与图像缩放技术把所有抠取出的图像调整为统一的大小。

●步骤二：提取图像特征

采用积分图作为人脸区域的特征。积分图为矩形特征，位置坐标为(x，y)的积分图包含像素(x，y)左侧及上侧的所有像素的和：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤i}{\mathrm{\Σ}}i(x^{\′},y^{\′})---\left(12\right)$

其中i(x′，y′)为坐标值(x′，y′)上像素的灰度值。

采用此特征的原因为其较高的计算效率。

●步骤三：初始化样本集

给定样本图像特征集，包括正样本(人脸图像)与负样本(非人脸图像)：(x₁，y₁)，...，(x_n，y_n)，其中x_i为样本的积分图特征，y_i＝0，1为样本类标签，其中0表示负样本，1表示正样本。

初始化样本权值，对于y_i＝0，

对于y_i＝1，

其中m和l分别为负样本与正样本的个数，w_1，i表示第i个样本的初始权值。

●步骤四：训练弱分类器

对于每一级弱分类器，t＝1，...，T，其中T表示弱分类器的个数：

1.归一化样本权值：

$w_{t,i}\←\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}---\left(13\right)$

使w_t，i为一概率分布，w_t，i表示第i个样本第t次迭代后的权值。

2.对于每个特征j训练一个弱分类器h_j，每个分类器对应于特征集中的一个单独的特征。并计算每个分类器与真实类别之间相对于w_t的误差：

ε_j＝∑_iw_i|h_j(x_i)-y_i|        (14)

3.选择具有最小误差ε_t的分类器h_t。

4.更新权值：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i}---\left(15\right)$

如果x_i分类正确，e_i＝0；否则e_i＝1。

●步骤五：生成强分类器

最后生成的强分类器为：

$h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}{\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.---\left(16\right)$

其中 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

●多核加速

为了获得更佳的性能，本发明使用了OpenMP对上述算法进行了多核加速。根据CPU的数量对计算任务进行划分。把粗粒度的任务分解为细粒度的轻量级线程进行处理。使用动态方式对任务进行调度，从而解决了计算资源闲置的问题。

2.人脸区域运动轨迹预测

这一模块的主要功能是能够大致估计当前运动目标的轨迹，以解决摄像头拉近图像的延迟问题(云台的活动从收到命令到完成命令需要一段时间)。本发明假设运动目标做简单的直线运动。

经过第一部分对人脸和非人脸样本的训练后，可获得一线性强分类器h(x)，之后便可利用此人脸分类器对获得的视频图像进行扫描搜索人脸区域。

在检测出人脸区域后，立即记录下当前检测到的人脸区域范围。然后以当前区域做为参考区域，对于区域中的每个像素使用Kanade-Lucas算法计算之后一段时间t内的光流，从而获得区域中每个像素的速度矢量。接着对所有像素进行速度矢量求和，然后求均值，最终得到一个平均速度。以此速度为依据，并结合摄像机云台的运动参数，便可估算出时间t后人脸区域的在图像中的大致位置。

接下来需要估计人脸区域在现实世界中的具体位置。

首先可以建立一个投影模型。此模型用来把2D的图像坐标(x，y)转换为3D的摄像机坐标。可用三角法计算人脸的位置P：

$P={(\frac{\mathrm{xZ}}{f},\frac{\mathrm{yZ}}{f},Z)}^T---\left(17\right)$

其中，x和y为摄像机拍摄到的画面上的人脸位置，f为摄像机镜头的焦距。

上式显然缺少深度信息。因此我们假设人脸深度为W。那么：

$P={(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T---\left(18\right)$

其中w为摄像机拍摄到的人脸宽度。这样就可把图像坐标转换到全局坐标系：

$P{(X,Y,Z)}^T=\left(\begin{array}{ccc}\sin {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0\\ \cos {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0\\ 0& \cos {\mathrm{\α}}_0& \sin {\mathrm{\α}}_0\end{array}\right){(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T$

$=\left(\begin{array}{c}(\sin {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (\cos {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (f*\sin {\mathrm{\α}}_0+y\cos {\mathrm{\α}}_0)*\frac{W}{w}\end{array}\right)---\left(19\right)$

其中α₀和β₀表示摄像机的方向角。

接着根据下面的三个关系式计算摄像机的云台位置P(X，Y，Z)：

$\mathrm{\α}=\arctan \left(\frac{Z}{\sqrt{X^2+Y^2}}\right)---\left(20\right)$

$\mathrm{\β}=\arctan \left(\frac{Y}{X}\right)---\left(21\right)$

$r=\frac{E*\sqrt{X^2+Y^2+Z^2}}{W}---\left(22\right)$

其中r为摄像机焦距，E为摄像机拍摄到的人脸尺寸。参数W的范围为0.12≤W≤0.2，为一经验值。

3.视频监控系统的集成与云台控制

本发明在实现上述两类算法的基础上，把人脸区域运动轨迹预测部分的输出做为监控系统的输入，通过RS485通讯线路把模拟信号转换成机械控制指令控制摄像机云台的旋转、摄像机镜头的缩放，从而把人脸区域移动到拍摄区域的正中央，并随后进行放大操作，拍摄下清晰的人脸图像。

应该理解到的是：上述实施例只是对本发明的说明，而不是对本发明的限制，任何不超出本发明实质精神范围内的发明创造，均落入本发明的保护范围之内。

Claims (3)

1.适用于视频监控的人脸检测及摄像机云台控制方法，其特征在于该方法包括以下步骤：

1)基于多核架构的人脸检测：

11)初始化训练集

把所有用于训练的人脸图像作为输入，抠取出图像中的人脸区域。接着用归一化与图像缩放技术把所有抠取出的图像调整为统一的大小；

1.2)提取图像特征

采用积分图作为人脸区域的特征，积分图为矩形特征，位置坐标为(x，y)的积分图包含像素(x，y)左侧及上侧的所有像素的和为：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤i}{\mathrm{\Σ}}i(x^{\′},y^{\′})---\left(1\right)$

其中i(x′，y′)为坐标值(x′，y′)上像素的灰度值；

1.3)初始化样本集

给定样本图像特征集，包括对应于人脸图像的正样本与对应于非人脸图像的负样本：(x₁，y₁)，...，(x_n，y_n)，其中x_i为样本的积分图特征，y_i＝0，1为样本类标签，其中0表示负样本，1表示正样本。

初始化样本权值，对于y_i＝0，

对于y_i＝1，

其中m和l分别为负样本与正样本的个数，w_l，i表示第i个样本的初始权值；

1.4)训练弱分类器

对于每一级弱分类器，t＝1，...，T，其中T表示弱分类器的个数：

1.4.1)归一化样本权值：

$w_{t,i}\←\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}---\left(2\right)$

使w_t，i为一概率分布，w_t，i表示第i个样本第t次迭代后的权值；

1.4.2)对于每个特征j训练一个弱分类器h_j，每个分类器对应于特征集中的一个单独的特征，并计算每个分类器与真实类别之间相对于w_t的误差：

ε_j＝∑_iw_i|h_j(x_i)-_yi|                (3)

1.4.3)选择具有最小误差ε_t的分类器h_t；

1.4.4)更新权值：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i}---\left(4\right)$

如果x_i分类正确，e_i＝0；否则e_i＝1；

1.4.5)生成强分类器

最后生成的强分类器为：

$h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}{\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

2)人脸区域运动轨迹预测：

2.1)估算人脸区域在图像中的位置

利用式(5)的人脸分类器对获得的视频图像进行扫描搜索人脸区域，在检测出人脸区域后，立即记录下当前检测到的人脸区域范围；然后以当前区域做为参考区域，对于区域中的每个像素使用Kanade-Lucas算法计算之后一段时间t内的光流，从而获得区域中每个像素的速度矢量；接着对所有像素进行速度矢量求和，然后求均值，最终得到一个平均速度；以此速度为依据，并结合摄像机云台的运动参数，估算出时间t后人脸区域的在图像中的大致位置；

2.2)估计人脸区域在现实世界中的具体位置

首先建立一个投影模型，此模型用来把2D的图像坐标(x，y)转换为3D的摄像机坐标，用三角法计算人脸的位置P：

$P={(\frac{\mathrm{xZ}}{f},\frac{\mathrm{yZ}}{f},Z)}^T---\left(6\right)$

其中，x和y为摄像机拍摄到的画面上的人脸位置，f为摄像机镜头的焦距；

假设人脸深度为W，那么：

$P={(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T---\left(7\right)$

其中w为摄像机拍摄到的人脸宽度，这样就把图像坐标转换到全局坐标系：

$P{(X,Y,Z)}^T=\left(\begin{array}{ccc}\sin {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0\\ \cos {\mathrm{\β}}_0& \sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0& \cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0\\ 0& \cos {\mathrm{\α}}_0& \sin {\mathrm{\α}}_0\end{array}\right){(\frac{\mathrm{xW}}{w},\frac{\mathrm{yW}}{w},\frac{\mathrm{fW}}{w})}^T$

$=\left(\begin{array}{c}(\sin {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\cos {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (\cos {\mathrm{\β}}_0*x+\sin {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*y+\cos {\mathrm{\α}}_0\sin {\mathrm{\β}}_0*f)*\frac{W}{w}\\ (f*\sin {\mathrm{\α}}_0+y\cos {\mathrm{\α}}_0)*\frac{W}{w}\end{array}\right)---\left(8\right)$

其中α₀和β₀表示摄像机的方向角；

2.3)计算摄像机的云台位置P(X，Y，Z)：

$\mathrm{\α}=\arctan \left(\frac{Z}{\sqrt{X^2+Y^2}}\right)---\left(9\right)$

$\mathrm{\β}=\arctan \left(\frac{Y}{X}\right)---\left(10\right)$

$r=\frac{E*\sqrt{X^2+Y^2+Z^2}}{W}---\left(11\right)$

其中r为摄像机焦距，E为摄像机拍摄到的人脸尺寸；参数W的范围为0.12≤W≤0.2，为一经验值；

3)控制摄像机云台抓拍人脸：把人脸区域运动轨迹预测部分的输出做为监控系统的输入，通过通讯接口电路把模拟信号转换成机械控制指令控制摄像机云台的旋转和摄像机镜头的缩放，从而把人脸区域移动到拍摄区域的正中央，并随后进行放大操作，拍摄下清晰的人脸图像。

2.如权利要求1所述的适用于视频监控的人脸检测及摄像机云台控制方法，其特征在于在步骤1)中使用OpenMP对上述算法进行多核加速；根据CPU的数量对计算任务进行划分；把粗粒度的任务分解为细粒度的轻量级线程进行处理。

3.如权利要求1或2所述的适用于视频监控的人脸检测及摄像机云台控制方法，其特征在于步骤3)的通讯接口电路为RS485。