基于在线学习机制的人脸持续跟踪方法

摘要：

针对目标人脸短暂离开画面后不能继续跟踪的问题,提出将增量分层判别回归方法(IHDR)与改进的核相关滤波(KCF)跟踪算法相结合,以解决人脸持续跟踪问题.首先,提取人脸光照不变特征,增量构建人脸特征IHDR树.然后,检索IHDR树识别目标人脸,通过循环矩阵获取人脸正负样本,训练岭回归分类器对人脸进行跟踪.在人脸短暂离开画面时,重新识别目标人脸,使用识别结果重新初始化跟踪器,实现对人脸的持续跟踪.此外,针对KCF跟踪器的跟踪框尺度不能自适应的问题,对KCF跟踪器进行了改进,设置3个尺度不同的模板区域并计算响应,以响应最大的区域的尺度为跟踪框的尺度.最后,在不同光照下进行了动态人脸识别实验,识别率达到97.84％.与传统跟踪算法进行对比,所提方法能够在尺度上自适应跟踪目标人脸,并满足实时性要求.在人脸短暂离开画面的视频中,该方法亦能实现对目标持续跟踪.

关键词：人脸持续跟踪、光照不变特征、在线学习、尺度自适应、核相关滤波器(KCF)

所属期刊栏目：29

资助基金：国家重点研发计划专项2017YFC0806503;湖北省科技支撑计划2015BAA018

在线出版日期：2019-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：546-555