试谈人结合改善CamShift算法人脸识别门禁系统

论文导读：
摘 要： 人脸识别门禁系统已经得到了广泛的应用，但是要求被识别人员靠近图像采集设备，使用起来极不方便。解决此问题的关键是在被识别人员的正常行走过程中完成人脸识别的任务，然而在人的正常行走过程中，因为角度、表情等变化，可能会导致人脸识别产生错误的结果。针对此问题，设计了一种结合CamShift跟踪算法的人脸识别门禁系统，采用人脸检测的结果来改进CamShift跟踪算法，然后再利用这条CamShift跟踪轨迹上人脸识别结果序列来修正错误识别。实验结果表明该系统能够完成正常行走过程中的人脸识别任务，并且有更高的识别率。
关键词： 人脸识别； CamShift算法； 目标跟踪； 门禁系统
1004?373X（2013）03?0108?04
0 引 言
门禁系统在公共安全、人事考勤等场合发挥着重大的作用。常被用于人员识别的生物信息包括指纹、虹膜、人脸[3]等，人脸信息作为人体生物信息最为直观的描述，被广泛应用于各种场合的门禁系统中。人脸识别的一个优势是不需要与识别设备近距离接触，但是现有的人脸识别门禁系统并没有利用这一优势，需要被识别人员靠近采集识别设备，并且保持一定表情，导致使用不方便。能够在被识别人员正常行走过程中完成人脸识别并且识别性能可靠的门禁系统将能适应更多的应用场景，此系统只需要被识别人员在行走过程中稍微配合即可自动准确地对其进行人脸检测和识别，然后做出正确的响应。
实验表明，仅仅依靠实时地执行人脸检测和人脸识别算法来完成此系统，会产生很多的错误识别情况。为了弥补这一缺陷，在被检测人员运动过程中完成精确人脸识别的任务，在人脸识别系统中加入CamShift[4]跟踪算法，对检测获取的人脸进行跟踪，将CamShift跟踪算法和人脸检测识别算法进行了有效地结合。
利用CamShift跟踪算法对人脸进行跟踪时，在简单背景下能够取得很好的跟踪效果，但是在复杂动态背景、光照突变等情景下，只靠CamShift算法很难取得好的跟踪效果，本文利用人脸稀疏检测结果修正CamShift算法，获得了较好的跟踪效果。
人脸检测算法包括模板匹配模型方法，ANN模型方法[5]，SVM模型方法[6]，Adaboost模型方法等。模板匹配模型方法不需要训练，但是精度较差，速度较慢；ANN模型方法和SVM模型方法都是基于机器学习的方法，这两种方法都可以获得不错的检测精度，但是检测速度比较慢；而文献[7?8]由Viola和Jones提出的Adaboost人脸检测算法是一种基于积分图、级联检测器和Adaboost算法的人脸检测算法，此算法不仅能获得良好的检测效果，而且检测速度也基本上满足实时的要求。
1 Adaboost人脸检测算法
Adaboost人脸检测算法[9]的核心是Adaboost算法。Adaboost算法是一种自适应的Boosting算法，其基本思想就是将大量的分类能力一般的弱分类器通过一定方法叠加起来，构成一个分类能力比较强的强分类器。该方法框架大概可以分为以下三步：
（1）使用Harr?like特征表示人脸特征，然后使用积分图实现特征数值的快速计算；
（2）使用Adaboost算法选出一些最能代表人脸的矩形特征（即是弱分类器），然后按照加权的方式把弱分类器构造为一个强分类器；
（3） 最后将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。
理论证明只要每个弱分类器器分类能力比随机猜测要好，当弱分类器个数趋于无穷时，强分类器的错误概率将趋于零。
2 CamShift跟踪算法
CamShift算法是一种动态变化分布的概率密度函数梯度估计的非参数方法，颜色概率分布图是它的一个关键概念。使用CamShift 对目标进行实时跟踪时步骤如下：
（1）初始化搜索窗的位置和大小（可为任意值） 。
（2）寻找搜索窗的质心。
（3）移动搜索窗，使窗的中心与质心重合。源于：本科论文www.7ctime.com
（4）重复步骤（2）和（3），直到收敛（窗某次的移动距离小于预设阈值） ，保存此时的零阶矩和质心值。
（5）在下一帧图像中根据步骤（4）得到的零阶矩和质心值重新初始化搜索窗的位置和大小，再跳转到步骤（2）继续执行。