视频序列中的人脸检测与跟踪关键新技术研究

视频序列中的人脸检测与跟踪是计算机视觉及视频编码的关键技术，它对身份鉴别、情感识别、图像编码以及视频跟踪等相关技术的发展有着决定性的影响。本课题的研究目标是探寻一、两种切实可行的人脸检测与跟踪的新算法。研究工作立足于粒子滤波和均值移动的新方法，针对人脸检测与跟踪这一应用目标，分析和研究这两个算法的优势和存在的问题，并加以改进，我们将根据人脸跟踪的具体特点，引入更为鲁棒的跟踪线索,增加形状描述的精度改进跟踪线索的表达方式，并对跟踪控制器的性能进行改进，解决均值移动人脸跟踪的尺度自动调整问题。建立一个既满足实时性要求，又保证高效鲁棒的人脸检测与跟踪系统。 2100433B

本书涵盖了近30年视频跟踪技术的发展，介绍了视频目标检测跟踪及其应用的最新研究成果和动态，全面系统地介绍了当今世界视频跟踪技术的最新研究进展，重点介绍了预处理技术、图像目标检测、视频目标检测、均值移位跟踪方法、基于粒子滤波的跟踪方法等方面的技术和应用。

仿真过程中，固定平台Y轴，X和z轴运动，期望Z轴在X，Z平面上运动轨迹为

从仿真结果我们可以看出，模糊CMAC作用力跟踪阻抗控制器能补偿平台动力学上的不确定性，基于位置阻抗控制的性能稍微优于基于力矩阻抗控制。为了进行仿真比较，我们用CMAC代替FCMAC进行仿真，固定y轴，X和z轴运动，期望z轴在x和Z平面上运动轨迹为

从仿真结果我们可以看出，FCMAC性能优于CMAC，基于位置阻抗控制的性能稍微优于基于力矩阻抗控制。另外，由于基于位置的阻抗控制方案无需改变内部的控制结构便可使位置控制平台系统实现鲁棒性作用力控制。

随着人类社会的视频数据量爆炸性增长, 目前针对海量视频数据的人脸识别存在效率低和准确率低等问题, 并行计算是海量视频数据中高效进行人脸识别处理的可选途径之一. 本项目面向海量视频数据中人脸分析与识别全过程的并行化实现, 研究人脸目标检测和跟踪、基于稀疏表示的人脸特征提取与识别算法, 以显著提高海量视频数据中的人脸识别效率. 研究内容为面向海量视频数据的: (1)基于小容量字典学习的人脸分类算法及其并行计算; (2)基于流形的视频人脸描述模型建立; (3)人脸目标检测的并行AdaBoost算法; (4)基于MeanShift算法和Kalman滤波器的人脸目标跟踪算法; (5)基于异构体系架构下的并行分块PCA人脸特征提取算法. 本项目的研究将不仅为人脸识别算法的设计提供新的思路, 而且为人脸识别并行应用效率的提高和为大规模人群背景下的人脸分析与识别的实际应用奠定基础.