CN103870824B - 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 - Google Patents
一种在人脸检测跟踪过程中的人脸捕捉方法及装置 Download PDFInfo
- Publication number
- CN103870824B CN103870824B CN201410123481.5A CN201410123481A CN103870824B CN 103870824 B CN103870824 B CN 103870824B CN 201410123481 A CN201410123481 A CN 201410123481A CN 103870824 B CN103870824 B CN 103870824B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- attributed region
- tracked
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸检测跟踪过程中的人脸捕捉方法及装置,用以解决现有技术中存在的通过手动输入图像中人脸的位置和完成参数初始化导致的效率低、误差大、软件可移植性差等问题,该方法为:对获取的当前图像进行特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征;基于人脸图像特征确定包围该人脸图像特征的人脸归属区域,以及确定人脸归属区域对应的参数值;根据人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化。这样,可以实现自动完成人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高系统的工作效率,保证人脸检测跟踪的准确性、实时性、且对设备的无输入工具的要求,可移植性强。
Description
技术领域
本发明涉及机器学习与计算机模式识别领域,尤其涉及一种在人脸检测跟踪过程中的人脸捕捉方法及装置。
背景技术
人脸检测技术是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否有人脸,如果有人脸,则返回人脸的位置、大小等信息。目前的人脸检测技术可以用于身份认证与安全防护、媒体与娱乐、图像搜索等领域。目标跟踪技术一般是基于对一系列图像的处理,从复杂的背景中识别出目标,并对目标的运动规律加以预测,实现对目标的连续、准确的跟踪,该技术在现代军事和民用安保中占有非常重要的地位,其中,该目标多数为人脸。
目前的人脸检测跟踪算法,例如目标跟踪算法(Tracking Learning Detection,TLD)和连续自适应MeanShift算法(Continuously Adaptive Mean-SHIFT,CamShift),在执行对人脸检测跟踪过程前,必须首先确定当前图像中人脸的位置。
然而,目前很多跟踪算法都是采用手动输入,例如通过鼠标、键盘等输入工具框选人脸包围框,并且,确定的当前图像中人脸的参数初始化也是通过用户手动输入完成的。例如,目前TLD、CamShift等跟踪算法中主要是通过代码中SetMouseCallback函数调用mouseHandler函数实现参数的初始化,其代码形式如下:
void setMouseCallback(const string&winname,MouseCallback onMouse,void*userdata=0)
各个参数所代表的含义分别为:
winname-Window name窗口的名字
onMouse-Mouse callback鼠标响应函数
userdata-The optional parameter passed to the callback用户参数
其中,在TLD、CamShift等算法中的onMouse参数即为mouseHandler()函数。
现有技术中采用手动输入的方式确定当前图像中人脸的位置,输入工作效率低,误差较大,且针对没有键盘和鼠标等输入工具的电子设备,无法完成输入,因此导致目前的跟踪算法可移植性差;采用手动输入完成跟踪算法的参数初始化,存在输入参数复杂,初始化繁琐等缺陷。
发明内容
本发明实施例提供一种在人脸检测跟踪过程中的人脸捕捉方法及装置,用以解决现有的人脸检测跟踪方法中存在的采用手动输入的方式确定当前图像中人脸的位置导致的输入工作效率低,误差较大,只能针对有输入工具的电子设备进行人脸检测跟踪,对设备的要求较高,即人脸检测跟踪方法的可移植性差的问题,以及采用手动输入的方式完成参数初始化,输入参数复杂且初始化繁琐的问题。
本发明实施例提供的具体技术方案如下:
第一方面,一种在人脸检测跟踪过程中的人脸捕捉方法,包括:
获取当前图像;
对所述当前图像进行特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征;
基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值;
根据所述人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化。
通过这种方法,可以实现自动完成人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性、且本发明实施例提供的方法对设备的无输入工具的要求,因此可移植性强。
结合第一方面,在第一种可能的实现方式中,获取当前图像,包括:
获取视频文件中指定一帧的图像作为当前图像。
通过这种方法,可以对获取的当前图像进行人脸检测跟踪。
结合第一方面,在第二种可能的实现方式中,对所述当前图像进行特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征,包括:
对所述当前图像进行局部二值模式LBP特征处理,提取所述当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征;或者,
对所述当前图像进行基于块特征Haar特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征。
通过这种方法,可以在当前图像中筛选出人脸图像特征。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,对所述当前图像进行LBP特征处理,提取所述当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征,具体包括:
依次根据预设的检测窗口的像素大小,以检测窗口中心点的像素的灰度值为阈值,对所述检测窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在检测窗口中位置的顺序,对所述检测窗口中其他像素的对应的值进行加权求和得到所述检测窗口的LBP值,直至得到所述图像中的所有LBP图像特征;
根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征。
通过这种方法,可以在当前图像中准确地筛选出人脸图像特征。
结合第一方面的第二种可能的实现方式,在第四种可能的实现方式中,对所述当前图像进行Haar特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征,具体包括:
将预设的人脸样本图像进行模式识别,获得级联分类器,其中所述级联分类器中的每一级的子分类器的数目大于等于1,每一级的子分类器预先设置对应的阈值;
采用预设像素大小的检测窗口对所述当前图像进行遍历,计算所述检测窗口内的Haar特征;
判定所述检测窗口内的Haar特征大于所述级联分类器中的每一级子分类器对应的阈值时,将所述检测窗口内的Haar特征作为人脸图像特征。
通过这种方法,可以在当前图像中准确地筛选出人脸图像特征。
结合第一方面或第一方面中以上任意一种可能的实现方式,在第五种可能的实现方式中,基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值,具体包括:
形成包围所述人脸图像特征的最小矩形框,所述矩形框包含的区域为所述人脸归属区域;
根据所述矩形框在当前图像中的位置,以及所述矩形框的像素大小,确定所述人脸归属区域对应的参数值,其中,所述人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
通过这种方法,可以得到最准确的人脸归属区域。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,根据所述人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化,具体包括:
针对所述人脸归属区域定义待跟踪人脸特征框;其中,所述人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度;
根据所述人脸归属区域的任意一个顶点坐标值对所述待跟踪的人脸特征框中相应的顶点坐标值进行初始化;
基于获得的所述待跟踪的人脸特征框中的顶点坐标值,以及所述人脸归属区域的宽度和高度对所述待跟踪的人脸特征框对应的宽度和高度进行初始化。
通过这种方法,可以实现自动对人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性。
第二方面,一种在人脸检测跟踪过程中的人脸捕捉装置,包括:
获取单元,用于获取当前图像;
处理单元,用于对所述当前图像进行特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征;
确定单元,用于基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值;
初始化单元,用于根据所述人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化。
这样,可以实现自动完成人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性、且本发明实施例提供的方法对设备的无输入工具的要求,因此可移植性强。
结合第二方面,在第一种可能的实现方式中,所述获取单元,具体用于:
获取视频文件中指定一帧的图像作为当前图像。
这样,可以对获取的当前图像进行人脸检测跟踪。
结合第二方面,在第二种可能的实现方式中,所述处理单元,具体用于:
对所述当前图像进行局部二值模式LBP特征处理,提取所述当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征;或者,
对所述当前图像进行基于块特征Haar特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征。
这样,可以在当前图像中筛选出人脸图像特征。
结合第二方面的第二种可能的实现方式,在第三种可能的实现方式中,所述处理单元对所述当前图像进行LBP特征处理,提取所述当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征时,具体用于:
依次根据预设的检测窗口的像素大小,以检测窗口中心点的像素的灰度值为阈值,对所述检测窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在检测窗口中位置的顺序,对所述检测窗口中其他像素的对应的值进行加权求和得到所述检测窗口的LBP值,直至得到所述图像中的所有LBP图像特征;
根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征。
这样,可以在当前图像中准确地筛选出人脸图像特征。
结合第二方面的第二种可能的实现方式,在第四种可能的实现方式中,所述处理单元对所述当前图像进行Haar特征处理,提取所述当前图像中的图像特征,并在图像特征中筛选出人脸图像特征时,具体用于:
将预设的人脸样本图像进行模式识别,获得级联分类器,其中所述级联分类器中的每一级的子分类器的数目大于等于1,每一级的子分类器预先设置对应的阈值;
采用预设像素大小的检测窗口对所述当前图像进行遍历,计算所述检测窗口内的Haar特征;
判定所述检测窗口内的Haar特征大于所述级联分类器中的每一级子分类器对应的阈值时,将所述检测窗口内的Haar特征作为人脸图像特征。
这样,可以在当前图像中准确地筛选出人脸图像特征。
结合第二方面或第二方面中以上任意一种可能的实现方式,在第五种可能的实现方式中,所述确定单元,具体用于:
形成包围所述人脸图像特征的最小矩形框,所述矩形框包含的区域为所述人脸归属区域;
根据所述矩形框在当前图像中的位置,以及所述矩形框的像素大小,确定所述人脸归属区域对应的参数值,其中,所述人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
这样,可以得到最准确的人脸归属区域。
结合第二方面的第五种可能的实现方式,在第六种可能的实现方式中,所述初始化单元,具体用于:
针对所述人脸归属区域定义待跟踪人脸特征框;其中,所述人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度;
根据所述人脸归属区域的任意一个顶点坐标值对所述待跟踪的人脸特征框中相应的顶点坐标值进行初始化;
基于获得的所述待跟踪的人脸特征框中的顶点坐标值,以及所述人脸归属区域的宽度和高度对所述待跟踪的人脸特征框对应的宽度和高度进行初始化。
这样,可以实现自动对人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性。
采用本发明技术方案,可以实现自动完成人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性、且本发明实施例提供的方法对设备的无输入工具的要求,可移植性强,可以有效的避免现有的人脸检测跟踪方法中存在的采用手动输入的方式确定当前图像中人脸的位置导致的输入工作效率低,误差较大,只能针对有输入工具的电子设备进行人脸检测跟踪,对设备的要求较高,即人脸检测跟踪方法的可移植性差的问题,以及采用手动输入的方式完成参数初始化,输入参数复杂且初始化繁琐的问题。
附图说明
图1为本发明实施例提供的一种在人脸检测跟踪过程中的人脸捕捉方法的具体流程图;
图2为本发明实施例提供的当前图像中的待跟踪人脸特征框实例图;
图3为本发明实施例提供的一种在人脸检测跟踪过程中的人脸捕捉装置结构示意图。
具体实施方式
采用本发明技术方案,能够有效地避免现有的人脸检测跟踪方法中存在的采用手动输入的方式确定当前图像中人脸的位置导致的输入工作效率低,误差较大,只能针对有输入工具的电子设备进行人脸检测跟踪,对设备的要求较高,人脸检测跟踪方法的可移植性差的问题,以及采用手动输入的方式完成参数初始化,输入参数复杂且初始化繁琐的问题。
本发明实施例提供了一种在人脸检测跟踪过程中的人脸捕捉方法,适用于各种人脸检测跟踪设备,下面结合附图对本发明优选的实施方式进行详细说明。
参阅图1所示,本发明实施例提供的一种在人脸检测跟踪过程中的人脸捕捉方法的具体处理流程包括:
步骤101:获取当前图像。
在人脸检测跟踪设备中,该设备会存储或录制视频文件,获取的当前图像为该视频文件中指定一帧的图像。
步骤102:对当前图像进行特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征。
在执行步骤102时,可以采用以下两种方式:
第一种方式:对当前图像进行局部二值模式(Local Binary Patterns,LBP)特征处理,提取当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征;
第二种方式:对当前图像进行基于块特征Haar特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征。
具体的,对当前图像进行LBP特征处理,提取当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征,包括:
依次根据预设的窗口的像素大小,以窗口中心点的像素的灰度值为阈值,对窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在窗口中位置的顺序,对该窗口中其他像素的对应的值进行加权求和得到该窗口的LBP值,直至得到该图像中的所有LBP图像特征;
根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征。
LBP特征处理一般定义像素大小为3*3的窗口,以窗口中心点的像素的灰度值为阈值,大于等于中心点的像素的灰度值的标记为1,小于中心点的像素的灰度值的标记为0;按照一定的顺序,将该窗口中除中心点以外的其它像素点对应的灰度值组合,并进行加权求和即可得到该窗口的LBP值;将该LBP值与预设的人脸图像特征阈值进行比较,将大于预设的人脸图像特征阈值的LBP值对应的窗口作为人脸图像特征。
具体的,对当前图像进行Haar特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征,包括:
将预设的人脸样本图像进行模式识别,获得级联分类器,其中级联分类器中的每一级的子分类器的数目大于等于1,每一级的子分类器预先设置对应的阈值;
采用预设像素大小的检测窗口对当前图像进行遍历,计算检测窗口内的Haar特征;
判定该检测窗口内的Haar特征大于该级联分类器中的每一级子分类器对应的阈值时,将该检测窗口内的Haar特征作为人脸图像特征。
其中,每一级的子分类器中的每一个子分类器(即一个Haar特征)都设置一个对应的阈值和两个分支值(左分支值和右分支值)。
在针对当前图像中筛选人脸图像特征的过程中,首先采用与预设的人脸样本图像像素大小相同的检测窗口对当前图像进行遍历,当检测窗口每移动到当前图像中的任意一个位置时,计算检测窗口内的Haar特征,将该检测窗口中的每一个Haar特征与级联分类器中的对应该Haar特征的最低级的子分类器对应的子阈值进行比较,从而选择左支值或右分支值,计算完毕后,累加最低级的子分类器的分支值,得到左分支累加值或右分支累加值,将左分支累加值或右分支累加值与最低级子分类器对应的阈值,确定该累加值大于最低级子分类器对应的阈值时,将该检测窗口内的Haar特征与下一级的子分类器对应的子阈值进行比较,直至该检测窗口内的Haar特征通过该级联分类器中的每一级的子分类器,可以确定该检测窗口内的Haar特征为人脸图像特征。
步骤103:基于人脸图像特征确定包围该人脸图像特征的人脸归属区域,以及确定人脸归属区域对应的参数值。
执行步骤103时,优选的,可以采用以下步骤:
形成包围人脸图像特征的最小矩形框,该矩形框包含的区域为该人脸归属区域;
根据该矩形框在当前图像中的位置,以及该矩形框的像素大小,确定该人脸归属区域对应的参数值,其中,该人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
具体的,根据人脸图像特征,可以得到确定该人脸图像特征对应的检测窗口,即可确定人脸归属区域,根据该检测窗口在当前图像中的位置,以及该检测窗口的像素大小,确定该人脸归属区域对应的参数值。
检测窗口的像素大小为已知的,只要得到该检测窗口在当前图像的任意一个顶点坐标值(左上角,或左下角,或右上角,或右下角),就可以得到该人脸归属区域在当前图像中的具体位置,所以人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
步骤104:根据人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化。
在本实施例中,该人脸检测跟踪的参数为待跟踪人脸特征框的任意一个顶点的坐标值、待跟踪人脸特征框的宽度和高度,通过对该人脸检测跟踪的参数的初始化即可确定待跟踪人脸特征框。
具体的,通过以下步骤执行步骤104:
针对人脸归属区域定义待跟踪人脸特征框;其中,人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度;
根据人脸归属区域的任意一个顶点坐标值对该待跟踪的人脸特征框中相应的顶点坐标值进行初始化;
基于获得的该待跟踪的人脸特征框中的顶点坐标值,以及该人脸归属区域的宽度和高度对该待跟踪的人脸特征框对应的宽度和高度进行初始化。
优选的,在实际应用中,可以采用以下代码实现步骤104:
Mat face=frame(faceVec[i]);
Rect rect=faceVec[i];
box.x=faceVec[i].x;
box.y=faceVec[i].y;
box.width=faceVec[i].width;
box.height=faceVec[i].height;
参阅图2所示,根据本发明实施例提供的一种在人脸检测跟踪过程中的人脸捕捉方法,可以准确的在当前图像中可以对人脸检测跟踪的参数进行初始化,得到当前图像中的待跟踪人脸特征框。
基于上述实施例,参阅图3所示,本发明实施例还提供了一种在人脸检测跟踪过程中的人脸捕捉装置,该装置包括:获取单元301、处理单元302、确定单元303以及初始化单元304,其中
获取单元301,用于获取当前图像;
处理单元302,用于对当前图像进行特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征;
确定单元303,用于基于该人脸图像特征确定包围该人脸图像特征的人脸归属区域,以及确定该人脸归属区域对应的参数值;
初始化单元304,用于根据该人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化。
获取单元301,具体用于:
获取视频文件中指定一帧的图像作为当前图像。
处理单元302,具体用于:
对当前图像进行LBP特征处理,提取当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征;或者,
对当前图像进行Haar特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征。
处理单元302对当前图像进行LBP特征处理,提取当前图像中的所有LBP图像特征,并在所有LBP图像特征中筛选出人脸图像特征时,具体用于:
依次根据预设的检测窗口的像素大小,以检测窗口中心点的像素的灰度值为阈值,对该检测窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在检测窗口中位置的顺序,对该检测窗口中其他像素的对应的值进行加权求和得到该检测窗口的LBP值,直至得到该图像中的所有LBP图像特征;
根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征。
处理单元302对当前图像进行Haar特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征时,具体用于:
将预设的人脸样本图像进行模式识别,获得级联分类器,其中该级联分类器中的每一级的子分类器的数目大于等于1,每一级的子分类器预先设置对应的阈值;
采用预设像素大小的检测窗口对当前图像进行遍历,计算该检测窗口内的Haar特征;
判定该检测窗口内的Haar特征大于该级联分类器中的每一级子分类器对应的阈值时,将该检测窗口内的Haar特征作为人脸图像特征。
确定单元303,具体用于:
形成包围人脸图像特征的最小矩形框,该矩形框包含的区域为人脸归属区域;
根据该矩形框在当前图像中的位置,以及该矩形框的像素大小,确定该人脸归属区域对应的参数值,其中,人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
其中,人脸检测跟踪的参数包括:待跟踪人脸特征框的任意一个顶点的坐标值、待跟踪人脸特征框的宽度和高度。
初始化单元304,具体用于:
针对人脸归属区域定义待跟踪人脸特征框;其中,人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度;
根据该人脸归属区域的任意一个顶点坐标值对该待跟踪的人脸特征框中相应的顶点坐标值进行初始化;
基于获得的该待跟踪的人脸特征框中的顶点坐标值,以及该人脸归属区域的宽度和高度对该待跟踪的人脸特征框对应的宽度和高度进行初始化。
综上所述,通过本发明实施例中提供的一种在人脸检测跟踪过程中的人脸捕捉方法及装置,获取当前图像后,对当前图像进行特征处理,提取当前图像中的图像特征,并在图像特征中筛选出人脸图像特征;基于人脸图像特征确定该人脸图像特征对应的人脸归属区域,以及确定人脸归属区域对应的参数值;根据人脸归属区域对应的参数值对人脸检测跟踪的参数进行初始化,可以实现自动完成人脸检测跟踪的参数的初始化,准确地对图像中的人脸进行捕捉,提高了系统的工作效率,保证了人脸检测跟踪的准确性、实时性、且本发明实施例提供的方法对设备的无输入工具的要求,因此可移植性强。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种在人脸检测跟踪过程中的人脸捕捉方法,其特征在于,包括:
获取当前图像;
依次根据预设的检测窗口的像素大小,以检测窗口中心点的像素的灰度值为阈值,对所述检测窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在检测窗口中位置的顺序,对所述检测窗口中其他像素的对应的值进行加权求和得到所述检测窗口的LBP值,直至得到所述图像中的所有LBP图像特征,以及根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征;
基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值;
针对所述人脸归属区域定义待跟踪人脸特征框,并根据所述人脸归属区域的任意一个顶点坐标值对所述待跟踪的人脸特征框中相应的顶点坐标值进行初始化,以及基于获得的所述待跟踪的人脸特征框中的顶点坐标值,所述人脸归属区域的宽度和高度,对所述待跟踪的人脸特征框对应的宽度和高度进行初始化,其中,所述人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度。
2.如权利要求1所述的方法,其特征在于,获取当前图像,包括:
获取视频文件中指定一帧的图像作为当前图像。
3.如权利要求1或2所述的方法,其特征在于,基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值,具体包括:
形成包围所述人脸图像特征的最小矩形框,所述矩形框包含的区域为所述人脸归属区域;
根据所述矩形框在当前图像中的位置,以及所述矩形框的像素大小,确定所述人脸归属区域对应的参数值,其中,所述人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
4.一种在人脸检测跟踪过程中的人脸捕捉装置,其特征在于,包括:
获取单元,用于获取当前图像;
处理单元,用于依次根据预设的检测窗口的像素大小,以检测窗口中心点的像素的灰度值为阈值,对所述检测窗口内其他位置的像素对应的灰度值进行二值化处理,以及根据预设的像素在检测窗口中位置的顺序,对所述检测窗口中其他像素的对应的值进行加权求和得到所述检测窗口的LBP值,直至得到所述图像中的所有LBP图像特征,以及根据预设的人脸图像特征阈值,在所有LBP图像特征中筛选出人脸图像特征;
确定单元,用于基于所述人脸图像特征确定包围所述人脸图像特征的人脸归属区域,以及确定所述人脸归属区域对应的参数值;
初始化单元,用于针对所述人脸归属区域定义待跟踪人脸特征框,并根据所述人脸归属区域的任意一个顶点坐标值对所述待跟踪的人脸特征框中相应的顶点坐标值进行初始化,以及基于获得的所述待跟踪的人脸特征框中的顶点坐标值,所述人脸归属区域的宽度和高度,对所述待跟踪的人脸特征框对应的宽度和高度进行初始化,其中,所述人脸检测跟踪的参数包括:待跟踪的人脸特征框的任意一个顶点的坐标值、待跟踪的人脸特征框的宽度和高度。
5.如权利要求4所述的装置,其特征在于,所述获取单元,具体用于:
获取视频文件中指定一帧的图像作为当前图像。
6.如权利要求4或5所述的装置,其特征在于,所述确定单元,具体用于:
形成包围所述人脸图像特征的最小矩形框,所述矩形框包含的区域为所述人脸归属区域;
根据所述矩形框在当前图像中的位置,以及所述矩形框的像素大小,确定所述人脸归属区域对应的参数值,其中,所述人脸归属区域对应的参数值为人脸归属区域任意一个顶点的坐标值、人脸归属区域的宽度以及人脸归属区域的高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123481.5A CN103870824B (zh) | 2014-03-28 | 2014-03-28 | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123481.5A CN103870824B (zh) | 2014-03-28 | 2014-03-28 | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103870824A CN103870824A (zh) | 2014-06-18 |
CN103870824B true CN103870824B (zh) | 2017-10-20 |
Family
ID=50909340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410123481.5A Active CN103870824B (zh) | 2014-03-28 | 2014-03-28 | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870824B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3167407A4 (en) * | 2014-08-07 | 2017-11-08 | Huawei Technologies Co. Ltd. | A processing device and method for face detection |
CN104504397A (zh) * | 2014-12-31 | 2015-04-08 | 云智视像科技(上海)有限公司 | 一种基于人脸识别的监控视频摘要方法及系统 |
CN105825168B (zh) * | 2016-02-02 | 2019-07-02 | 西北大学 | 一种基于s-tld的川金丝猴面部检测和追踪方法 |
CN106250850B (zh) * | 2016-07-29 | 2020-02-21 | 深圳市优必选科技有限公司 | 人脸检测跟踪方法及装置、机器人头部转动控制方法及系统 |
CN106504219B (zh) * | 2016-11-04 | 2019-07-12 | 中国公路工程咨询集团有限公司 | 有约束的路径形态学高分辨率遥感影像道路增强方法 |
CN109194869A (zh) * | 2018-10-09 | 2019-01-11 | Oppo广东移动通信有限公司 | 控制方法、控制装置、深度相机和电子装置 |
CN110097586B (zh) * | 2019-04-30 | 2023-05-30 | 青岛海信网络科技股份有限公司 | 一种人脸检测追踪方法及装置 |
CN112183351B (zh) * | 2020-09-28 | 2024-03-29 | 普联国际有限公司 | 结合肤色信息的人脸检测方法、装置、设备及可读存储介质 |
CN113469040B (zh) * | 2021-06-30 | 2023-10-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN115256059B (zh) * | 2022-08-01 | 2024-01-23 | 长鑫存储技术有限公司 | 一种磨片装置控制方法、系统及研磨抛光机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402691A (zh) * | 2010-09-08 | 2012-04-04 | 中国科学院自动化研究所 | 一种对人脸姿态和动作进行跟踪的方法 |
CN103440510A (zh) * | 2013-09-02 | 2013-12-11 | 大连理工大学 | 一种面部图像中特征点的定位方法 |
WO2014035372A1 (en) * | 2012-08-28 | 2014-03-06 | Rockstar Bidco, LP | Face tracking for mute-control |
-
2014
- 2014-03-28 CN CN201410123481.5A patent/CN103870824B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402691A (zh) * | 2010-09-08 | 2012-04-04 | 中国科学院自动化研究所 | 一种对人脸姿态和动作进行跟踪的方法 |
WO2014035372A1 (en) * | 2012-08-28 | 2014-03-06 | Rockstar Bidco, LP | Face tracking for mute-control |
CN103440510A (zh) * | 2013-09-02 | 2013-12-11 | 大连理工大学 | 一种面部图像中特征点的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103870824A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870824B (zh) | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 | |
CN110688987B (zh) | 一种行人位置检测与跟踪方法及系统 | |
CN101271514B (zh) | 一种快速目标检测和目标输出的图像检测方法及装置 | |
CN110610150B (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN110097586B (zh) | 一种人脸检测追踪方法及装置 | |
CN103345644B (zh) | 在线训练的目标检测方法及装置 | |
US10282601B2 (en) | Electronic device and gesture recognition method applied therein | |
CN110264493A (zh) | 一种针对运动状态下的多目标对象追踪方法和装置 | |
CN110298323B (zh) | 基于视频分析的打架检测方法、系统、装置 | |
RU2009102124A (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
CN108805900A (zh) | 一种跟踪目标的确定方法及装置 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN104951440B (zh) | 一种图像处理方法及电子设备 | |
CN107481265A (zh) | 目标重定位方法及装置 | |
Cazorla et al. | Two Bayesian methods for junction classification | |
CN110580708B (zh) | 一种快速移动检测方法、装置及电子设备 | |
CN104766331B (zh) | 一种图像处理方法及电子设备 | |
CN108446581A (zh) | 一种恶劣环境中的无人机检测方法 | |
CN105354610A (zh) | 一种基于随机Hough变换的人数统计方法 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
CN104732558B (zh) | 运动目标检测装置 | |
CN106570488A (zh) | 基于小波算法的车辆追踪识别方法 | |
CN110853001B (zh) | 一种变电站防异物干扰图像识别方法、系统及介质 | |
CN107749068A (zh) | 粒子滤波与感知hash算法实现目标实时跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |