視頻監(jiān)控下的人臉跟蹤與識(shí)別系統(tǒng)

桑海峰，吳丹陽(yáng)，王會(huì)

SANG Haifeng，WU Danyang，WANG Hui

沈陽(yáng)工業(yè)大學(xué) 視覺(jué)檢測(cè)技術(shù)研究所，遼寧 沈陽(yáng) 110870

Computer Vision Group, Shenyang University of Technology, Shenyang 110870,China

1 引言

隨著國(guó)際形式的日益嚴(yán)峻，在機(jī)場(chǎng)、刑偵、入境通關(guān)、反恐及軍事設(shè)施等領(lǐng)域?qū)Π踩婪兜男枨笈c日俱增，使視頻監(jiān)控在生產(chǎn)生活等各個(gè)方面得到了廣泛的應(yīng)用和快速的發(fā)展，對(duì)大規(guī)模人群進(jìn)行快速準(zhǔn)確的身份鑒別是保障公共社會(huì)安全、維護(hù)國(guó)家和諧穩(wěn)定和加強(qiáng)國(guó)家公共安全預(yù)警能力的重要手段，對(duì)國(guó)家安全、公安及安防領(lǐng)域有重要意義[1-2]。雖然目前監(jiān)控系統(tǒng)己經(jīng)廣泛存在于政府首腦機(jī)關(guān)、軍事要地、機(jī)要場(chǎng)所、銀行、住宅小區(qū)、校園等公共場(chǎng)所，但目前實(shí)際監(jiān)控的任務(wù)仍然有很多地方需要人工參與完成，現(xiàn)在廣泛存在的監(jiān)控系統(tǒng)只能進(jìn)行大量的視頻錄制，而不能進(jìn)行實(shí)時(shí)的信息提取，所提供的信息是沒(méi)有經(jīng)過(guò)處理的視頻圖像，只能用于事后查證，不能自動(dòng)分析視頻中人的身份及運(yùn)動(dòng)狀態(tài)，不能及時(shí)準(zhǔn)確地輔助公安偵查，沒(méi)有充分發(fā)揮視頻監(jiān)控系統(tǒng)的主動(dòng)性和實(shí)時(shí)性[3]。

針對(duì)視頻監(jiān)控系統(tǒng)中存在的問(wèn)題，本文將人臉檢測(cè)、人臉跟蹤和人臉識(shí)別融入到視頻監(jiān)控系統(tǒng)中，采用快速人臉檢測(cè)技術(shù)從監(jiān)控視頻圖象中實(shí)時(shí)檢測(cè)人臉，并與人臉數(shù)據(jù)庫(kù)進(jìn)行比對(duì)，從而實(shí)現(xiàn)快速身份識(shí)別，并對(duì)人臉進(jìn)行跟蹤，將有效地協(xié)助安全人員處理危機(jī)，大幅度提高視頻監(jiān)控系統(tǒng)的安全防范能力，是人臉跟蹤識(shí)別與視頻監(jiān)控的無(wú)縫對(duì)接。

2 系統(tǒng)總體結(jié)構(gòu)

圖1為視頻監(jiān)控系統(tǒng)結(jié)構(gòu)框圖。

系統(tǒng)首先通過(guò)攝像頭實(shí)時(shí)采集監(jiān)控場(chǎng)景內(nèi)的視頻圖像，利用人臉檢測(cè)算法檢測(cè)人臉區(qū)域，對(duì)檢測(cè)到的人臉進(jìn)行圖像預(yù)處理并實(shí)時(shí)提取人臉特征；同時(shí)對(duì)檢測(cè)到的人臉進(jìn)行跟蹤處理；其次，將已提取的人臉特征和數(shù)據(jù)庫(kù)中的人臉特征進(jìn)行比對(duì)，識(shí)別出人臉身份；最后，輸出人臉跟蹤識(shí)別結(jié)果。

圖1 視頻監(jiān)控系統(tǒng)結(jié)構(gòu)框圖

3 系統(tǒng)算法設(shè)計(jì)

3.1 人臉檢測(cè)

3.1.1 Adaboost人臉檢測(cè)

Adaboost人臉檢測(cè)算法[4]，是基于積分圖、級(jí)聯(lián)檢測(cè)器和Adaboost算法的方法，該方法能夠檢測(cè)出正面人臉，其核心步驟為：

Step 1：給定一系列訓(xùn)練樣本(x1,y1),(x2,y2),…(xn,yn)，其中yi=0表示其為非人臉，yi=1表示其為人臉，n為訓(xùn)練樣本總數(shù)。

Step 2：初始化權(quán)重

其中，m為人臉數(shù)，n為非人臉數(shù)。

Step 3：對(duì)于t=1,2…T,循環(huán)執(zhí)行下面的步驟：

(a)歸一化權(quán)重

(b)對(duì)每個(gè)特征 f，都訓(xùn)練一個(gè)弱分類(lèi)器，計(jì)算對(duì)應(yīng)所有特征的弱分類(lèi)器的加權(quán)錯(cuò)誤率。

其中，弱分類(lèi)器 h(x,f,p,θ)由一個(gè)特征值 f，閾值θ和不等號(hào)方向p組成。

計(jì)算每個(gè)特征的弱分類(lèi)器的加權(quán)錯(cuò)誤率。

Step 4：經(jīng)過(guò)T次循環(huán)得到T個(gè)弱分類(lèi)器，可以按照式(5)的方式組合成一個(gè)強(qiáng)分類(lèi)器。

利用上述訓(xùn)練得到的分類(lèi)器對(duì)圖像進(jìn)行人臉檢測(cè)，獲得人臉在圖像中的位置。

3.1.2 主動(dòng)形狀模型

主動(dòng)形狀模型（Active Shape Model,ASM）[5]是一種基于統(tǒng)計(jì)模型的圖像搜索方法。該算法模型主要包括訓(xùn)練模塊和定位模塊。在訓(xùn)練模塊中，對(duì)大量訓(xùn)練樣本進(jìn)行特征點(diǎn)標(biāo)定，來(lái)呈現(xiàn)目標(biāo)對(duì)象的形狀信息并建立目標(biāo)對(duì)象的統(tǒng)計(jì)形狀模型和局部紋理模型；在定位模塊中，利用訓(xùn)練得到的統(tǒng)計(jì)形狀模型和局部紋理模型來(lái)進(jìn)行目標(biāo)的搜索與匹配，主要包括確定形狀的初始位置、計(jì)算新位置、計(jì)算形狀和姿勢(shì)參數(shù)、更新參數(shù)四部分，最終使模型匹配到目標(biāo)的輪廓上。

3.1.3 基于Adaboost人臉檢測(cè)和ASM的人臉檢測(cè)算法

經(jīng)大量實(shí)驗(yàn)驗(yàn)證，在監(jiān)控視頻圖像中，雖然AdaBoost人臉檢測(cè)算法能夠檢測(cè)到正面人臉且檢測(cè)速度快，但這是在簡(jiǎn)單背景下實(shí)現(xiàn)的。而在復(fù)雜背景中，AdaBoost人臉檢測(cè)算法容易受到復(fù)雜環(huán)境的影響，導(dǎo)致檢測(cè)結(jié)果并不穩(wěn)定，極易將類(lèi)似人臉區(qū)域誤檢為人臉，誤檢率較高。為了更好地實(shí)時(shí)準(zhǔn)確地檢測(cè)人臉，本文提出了一種基于Adaboost人臉檢測(cè)和ASM的人臉檢測(cè)算法。

本算法步驟：

Step 1：利用大量人臉樣本訓(xùn)練人臉統(tǒng)計(jì)形狀模型和局部紋理模型；

Step 2：利用Adaboost人臉檢測(cè)算法在監(jiān)控視頻中檢測(cè)人臉區(qū)域，記錄人臉矩形區(qū)域(x,y,height,width)，將檢測(cè)到的人臉區(qū)域作為ASM算法的初始搜索區(qū)域；

Step 3：在搜索區(qū)域內(nèi)進(jìn)行特征點(diǎn)位置搜索，認(rèn)為與局部紋理模型的距離最小的位置是該特征點(diǎn)的最佳位置并根據(jù)統(tǒng)計(jì)模型調(diào)整形狀姿態(tài)參數(shù)；

Step 4：重復(fù)以上步驟直到多數(shù)特征點(diǎn)搜索得到的最佳點(diǎn)距離當(dāng)前規(guī)定像素的距離小于一定閾值時(shí)，認(rèn)為此區(qū)域?yàn)槿四槄^(qū)域。否則，認(rèn)為此區(qū)域?yàn)榉侨四槄^(qū)域，是Adboost人臉檢測(cè)算法的誤檢，將此區(qū)域排除掉。

3.2 人臉跟蹤

3.2.1 CamShift跟蹤算法介紹

CamShift算法[6]的全稱(chēng)是"Continuously Adaptive MeanShift"，是一種以目標(biāo)的顏色直方圖為目標(biāo)的跟蹤算法。CamShift算法具有計(jì)算簡(jiǎn)單、跟蹤速度快、實(shí)時(shí)性較高的特點(diǎn)，當(dāng)目標(biāo)的大小發(fā)生改變的時(shí)候，CamShift算法可以自適應(yīng)地調(diào)整目標(biāo)區(qū)域連續(xù)跟蹤。

CamShift算法步驟如下：

Step 1：在整個(gè)圖像上選擇初始搜索窗口；

Step 2：計(jì)算搜索窗口的反向投影；

Step 3：利用MeanShift算法獲得搜索窗口新的位置和大??；

Step 4：對(duì)于下一幀圖像，用Step 3得到的跟蹤窗口的位置和尺寸重新初始化搜索窗口的大小和位置，跳轉(zhuǎn)至Step 2，如此迭代下去，就可以實(shí)現(xiàn)目標(biāo)跟蹤。

3.2.2 Kalman濾波器介紹

Kalman濾波[7]也是一種典型的跟蹤方法是，其實(shí)質(zhì)是由觀測(cè)值重構(gòu)系統(tǒng)的狀態(tài)向量，利用目標(biāo)的運(yùn)動(dòng)信息預(yù)測(cè)下一時(shí)刻目標(biāo)的運(yùn)動(dòng)狀態(tài)。

Kalman濾波算法包含兩個(gè)模型：信號(hào)模型：

觀測(cè)模型：

其中，Xk是狀態(tài)向量；Zk是觀測(cè)向量；Ak是狀態(tài)轉(zhuǎn)移矩陣；Bk是輸入矩陣；Hk是觀測(cè)矩陣；Wk（協(xié)方差為Q）和Vk（協(xié)方差為R）是互不相關(guān)的均值白噪聲序列。

Kalman濾波方程如下：

（1）預(yù)測(cè)部分：

狀態(tài)預(yù)測(cè)方程：

誤差協(xié)方差預(yù)測(cè)方程：

（2）更新部分：

Kalman增益系數(shù)方程：

誤差協(xié)方差修正狀態(tài)修正方程：

狀態(tài)修正方程：

在預(yù)測(cè)階段，濾波器用上一狀態(tài)的估計(jì)，做出對(duì)當(dāng)前狀態(tài)的估計(jì)；在更新階段，濾波器利用當(dāng)前狀態(tài)的估計(jì)和新的測(cè)量變量來(lái)優(yōu)化在預(yù)測(cè)階段獲得的預(yù)測(cè)值。計(jì)算預(yù)測(cè)方程和更新方程，整個(gè)過(guò)程再次重復(fù)，在更新階段計(jì)算得到的預(yù)測(cè)值，被作為下一次預(yù)測(cè)階段的狀態(tài)估計(jì)，推導(dǎo)過(guò)程請(qǐng)參考文獻(xiàn)[8]。

3.2.3 CamShift和Kalman濾波器相結(jié)合的自動(dòng)多人臉跟蹤算法

由于 CamShift是一種以目標(biāo)的顏色直方圖為目標(biāo)的跟蹤算法，所以它能夠有效地解決側(cè)面人臉的跟蹤問(wèn)題，但視頻監(jiān)控場(chǎng)景多為復(fù)雜背景，并且有大量人員出入，人臉目標(biāo)會(huì)出現(xiàn)交錯(cuò)、人臉數(shù)目變化等現(xiàn)象，所以會(huì)導(dǎo)致目標(biāo)跟蹤不準(zhǔn)確，甚至失敗。為了解決這個(gè)問(wèn)題，本文將CamShift跟蹤算法和Kalman濾波器結(jié)合起來(lái)，采用Kalman濾波器對(duì)運(yùn)動(dòng)目標(biāo)的狀態(tài)進(jìn)行估計(jì)，來(lái)提高對(duì)目標(biāo)的跟蹤精度。

本算法具體步驟：

Step1:初始化搜索窗口。運(yùn)用上文所述的Adaboost人臉檢測(cè)與主動(dòng)形狀模型的改進(jìn)算法檢測(cè)視頻中的人臉，將人臉窗口作為初始化搜索窗口。為了實(shí)現(xiàn)多人臉跟蹤，將改進(jìn)算法檢測(cè)到的所有人臉都作為初始化搜索窗口；

Step2:利用Kalman濾波器預(yù)測(cè)當(dāng)前幀人臉的位置。經(jīng)過(guò) Kalman濾波器預(yù)測(cè)得到預(yù)測(cè)后窗口的中心，并以這個(gè)窗口的中心作為 CamShift跟蹤器窗口的中心進(jìn)行跟蹤。其中，為檢測(cè)到的每個(gè)人臉目標(biāo)都分配一個(gè) Kalman濾波器并初始化該濾波器，每個(gè) Kalman濾波器都存儲(chǔ)該人臉目標(biāo)的運(yùn)動(dòng)信息，不同人臉的 Kalman濾波器之間不相互影響；

Step3:更新Kalman濾波器狀態(tài)。判斷在監(jiān)控范圍內(nèi)是否出現(xiàn)人臉交錯(cuò)的情況，如果有，則用Kalman濾波器的預(yù)測(cè)值作為觀測(cè)值去更新Kalman濾波器狀態(tài)；如果無(wú)，則直接用CamShift跟蹤算法得到的新的搜索窗口作為觀測(cè)值Z(k)來(lái)修正當(dāng)前人臉目標(biāo)預(yù)測(cè)狀態(tài)，即將 Z(k)代入狀態(tài)修正方程式(13),得到由當(dāng)前實(shí)際觀測(cè)修正后的狀態(tài)向量 Xk和修正誤差協(xié)方差矩陣Pk，最終將由狀態(tài)修正方程獲得的窗口作為下一幀的初始搜索窗口，從而更準(zhǔn)確的估計(jì)下一幀目標(biāo)的預(yù)測(cè)值。

為了有效解決監(jiān)控范圍內(nèi)人臉數(shù)目發(fā)生變化的問(wèn)題，設(shè)定每隔1s重新檢測(cè)一次監(jiān)控場(chǎng)景內(nèi)的人臉數(shù)目。如果本次場(chǎng)景內(nèi)人臉個(gè)數(shù)和上次檢查的結(jié)果不一致，則重復(fù)Step1、Step2、Step3，否則，在下一幀視頻中，重復(fù) Step2、Step3，從而能夠及時(shí)捕捉人臉數(shù)目的變化，實(shí)現(xiàn)人臉目標(biāo)的連續(xù)跟蹤。

3.3 人臉識(shí)別

3.3.1 人臉的Gabor特征描述

Gabor[9]變換可以在頻域不同尺度、不同方向上提取相關(guān)的特征，并且能夠捕捉與對(duì)應(yīng)空間位置、空間頻率及方向選擇性的局部結(jié)構(gòu)信息，適合用于表示人臉圖像，能夠?qū)θ四樚卣鬟M(jìn)行很好地描述。因此，可利用Gabor變換的方法提取人臉特征。

二維Gabor在空間域的定義如（14）所示：

Gabor的實(shí)部和虛部公式如式（15）、（16）所示

人臉圖像的Gabor特征由人臉圖像和Gabor濾波器的卷積得到。令 f(x,y)表示人臉圖像的灰度分布，那么f(x,y)和Gabor濾波器的卷積可以定義為：

本文采用5尺度8方向的Gabor濾波器對(duì)人臉灰度圖像進(jìn)行濾波，生成方向參數(shù) 315°,2 70°,2 25°,180°,1 35°,9 0°,4 5°,0°,8個(gè)方向的Gabor濾波器組，濾波結(jié)果是每幅人臉圖像都有 40幅灰度圖像，將它們疊在一起，每個(gè)像素變成40*1的向量，這就是所提取Gabor特征。

3.3.2 特征降維及識(shí)別

Gabor特征雖然比灰度特征更能描述人臉特征，但Gabor變換結(jié)果中有很多冗余特征，因此需要對(duì)Gabor變換后的結(jié)果進(jìn)行降維。本文采用了文獻(xiàn)[10]提出的 Fisherface的方法對(duì)原始樣本數(shù)據(jù)進(jìn)行降維。

基于Fisherface的人臉識(shí)別具體步驟：

Step 1:先將訓(xùn)練樣本集中的每幅圖像從左到右，從上到下排成一個(gè)列向量，再將N幅訓(xùn)練圖像構(gòu)成一個(gè)矩陣Y。

Step 2:計(jì)算PCA投影矩陣。

Step 3:計(jì)算最佳投影矩陣的值并存儲(chǔ)。

Step 4:將待識(shí)別圖像展為列向量形式，計(jì)算其在最佳投影矩陣中的投影值。

Step 5:利用余弦距離的方法進(jìn)行識(shí)別，將待識(shí)別人臉的投影值與訓(xùn)練樣本的投影值按余弦距離公式(18)計(jì)算，求得余弦距離最小值，并將最小值所對(duì)應(yīng)的訓(xùn)練樣本認(rèn)為與待識(shí)別人臉是同一個(gè)人，這樣就完成了人臉的識(shí)別。

4 系統(tǒng)實(shí)驗(yàn)結(jié)果分析

(1)人臉檢測(cè)部分

為了對(duì)人臉檢測(cè)算法進(jìn)行實(shí)際性能測(cè)試,本文分別使用 FERET人臉庫(kù)、自采集人臉圖庫(kù)和視頻監(jiān)控圖像對(duì)本文所提出的人臉檢測(cè)方法進(jìn)行測(cè)試，并對(duì)比 Adaboost人臉檢測(cè)算法和本文所提出的基于Adaboost人臉檢測(cè)和ASM的人臉檢測(cè)算法，檢測(cè)結(jié)果如表1所示。

表1 人臉檢測(cè)結(jié)果

實(shí)驗(yàn)結(jié)果表明，本文所提出的人臉檢測(cè)算法在檢測(cè)率上優(yōu)于Adaboost人臉檢測(cè)算法，能夠較準(zhǔn)確地檢測(cè)出人臉，并能夠較好地排除Adboost人臉檢測(cè)算法的誤檢，可將其應(yīng)用在后續(xù)的人臉跟蹤識(shí)別算法上，從而提高跟蹤和識(shí)別的準(zhǔn)確度。

(2)人臉跟蹤部分

采用本文所提出的在 CamShift跟蹤算法的基礎(chǔ)上結(jié)合 Kalman濾波器預(yù)測(cè)人臉的運(yùn)動(dòng)狀態(tài)的方法，對(duì)不同復(fù)雜背景的視頻監(jiān)控范圍內(nèi)的多人臉進(jìn)行了實(shí)時(shí)跟蹤，以驗(yàn)證系統(tǒng)跟蹤性能。本文截取了16幅包含不同人臉數(shù)、不同背景下的人臉跟蹤視頻圖像，如圖2所示。

圖2 復(fù)雜背景下多人臉跟蹤效果圖

圖2分別截取了視頻序列中單人、兩人、三人臉的正面人臉和側(cè)面人臉的跟蹤效果圖。當(dāng)監(jiān)控范圍內(nèi)的人臉數(shù)目發(fā)生變化時(shí)，則重新啟動(dòng)人臉檢測(cè)算法，對(duì)重新檢測(cè)到的人臉進(jìn)行正面臉和側(cè)面臉的連續(xù)跟蹤；在第499幀至第502幀時(shí)，其中的兩個(gè)人臉逐漸靠近并發(fā)生交錯(cuò)現(xiàn)象，此時(shí)，用 Kalman濾波器的預(yù)測(cè)值作為觀測(cè)值去更新 Kalman濾波器狀態(tài)，使得跟蹤繼續(xù)進(jìn)行，直到第521幀時(shí)，交錯(cuò)的目標(biāo)完全出現(xiàn)后進(jìn)入正常的跟蹤狀態(tài)。

經(jīng)實(shí)驗(yàn)證明，本文提出跟蹤算法能夠在不同的復(fù)雜背景下對(duì)多人臉進(jìn)行實(shí)時(shí)快速地跟蹤，預(yù)測(cè)人臉的運(yùn)動(dòng)狀態(tài)，并有效地解決了人臉交錯(cuò)的連續(xù)跟蹤問(wèn)題，提高了CamShift跟蹤算法的跟蹤性能。

(3) 系統(tǒng)總體性能

為了驗(yàn)證系統(tǒng)的總體性能，在本文所提出的CamShift和Kalman濾波器相結(jié)合的自動(dòng)多人臉跟蹤算法中加入了人臉識(shí)別算法。

實(shí)驗(yàn)數(shù)據(jù)為自采集圖庫(kù)，本系統(tǒng)采用130萬(wàn)象素的普通攝像頭，連續(xù)采集 50人的人臉圖像進(jìn)行注冊(cè)，每人4幅，圖像分辨率為130*160。建立一個(gè)共包含200張人臉的小型圖像庫(kù)，連續(xù)采集的5張同一個(gè)人的人臉圖像如圖3所示。

圖3 連續(xù)采集的5張同一個(gè)人的人臉圖像

本系統(tǒng)在不同復(fù)雜背景的視頻監(jiān)控場(chǎng)景中進(jìn)行了實(shí)際性能測(cè)試，以驗(yàn)證系統(tǒng)的整體性能。部分跟蹤識(shí)別效果圖如圖4所示，人臉識(shí)別結(jié)果如表2所示，在模擬監(jiān)控場(chǎng)景中的人臉跟蹤與識(shí)別視頻已傳至網(wǎng)絡(luò)，網(wǎng)址如腳注1所示1http://video.sina.com.cn/v/b/80658405-2344632081.html。

圖4 不同的復(fù)雜背景中多人臉跟蹤識(shí)別結(jié)果

表2 人臉識(shí)別實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)每秒可處理圖像達(dá)到25幀，識(shí)別每張人臉的時(shí)間在 1.6s以?xún)?nèi)，識(shí)別率為98.49%，滿(mǎn)足實(shí)時(shí)性要求，能夠在復(fù)雜的監(jiān)控環(huán)境中連續(xù)、快速地跟蹤識(shí)別多人臉，對(duì)于人臉偏轉(zhuǎn)、交錯(cuò)、人數(shù)變化都有較好的跟蹤識(shí)別效果，具有較強(qiáng)的魯棒性和精準(zhǔn)性。

5.結(jié)束語(yǔ)

本文將人臉跟蹤識(shí)別技術(shù)與傳統(tǒng)的視頻監(jiān)控相結(jié)合，能夠在視頻監(jiān)控場(chǎng)景內(nèi)有效地獲取人臉目標(biāo)的位置，跟蹤人臉的運(yùn)動(dòng)軌跡，并鑒別人臉的身份。在Adaboost人臉檢測(cè)算法中引入了主動(dòng)形狀模型算法，結(jié)合兩類(lèi)算法的優(yōu)勢(shì)，使其互為補(bǔ)充；并提出了CamShift和Kalman濾波器相結(jié)合的自動(dòng)多人臉跟蹤算法，該改進(jìn)的跟蹤算法，可以實(shí)時(shí)、準(zhǔn)確、自動(dòng)地跟蹤人臉目標(biāo)，并有效解決了監(jiān)控范圍內(nèi)的人臉偏轉(zhuǎn)、交錯(cuò)及人臉數(shù)目變化的問(wèn)題。通過(guò)實(shí)際性能測(cè)試證明，本系統(tǒng)能夠從監(jiān)控視頻流中有效地檢測(cè)、跟蹤和識(shí)別場(chǎng)景中的人臉，并取得了良好的效果，具有較強(qiáng)的實(shí)時(shí)性和準(zhǔn)確性，有效地推動(dòng)了視頻監(jiān)控系統(tǒng)從半自動(dòng)化半人工狀態(tài)向自動(dòng)視頻監(jiān)控狀態(tài)發(fā)展。

[1]辜小花，龔衛(wèi)國(guó).核保局鑒別分析人臉識(shí)別算法[J].儀器儀表學(xué)報(bào)，2010，31(9):2016-2021.

[2]韋潔，張和生，賈利民.面向狀態(tài)監(jiān)測(cè)的改進(jìn)主元分析方法[J].電子測(cè)量與儀器學(xué)報(bào)，2009,23(7):51-55.

[3]王國(guó)強(qiáng)，石念峰，郭玉珂.基于正交判別鄰域保持投影的人臉識(shí)別[J].儀器儀表學(xué)報(bào),2009，30(8):1734-1738.

[4]Viola P,Michael J.Rapid Object Detection using a Boosted Cascade of Simple Features[J].IEEE CVPR,2001.

[5]Cootes,T.F.Taylor,C.J.Cooper,D.H.Craham.Active shape model-their training and application.Computer Vision and Image Understanding,1995,61(1):38-59.

[6]Bradski G R.Computer Vision Face Tracking for USE in a Perceptual User Interface[J].Intel Technology Journal,1998,2(2):1-15.

[7]范五東，周尚波，辛培宸.HSV顏色空間特征與Kalman濾波融合的目標(biāo)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用，2011,47(13):169-173.

[8]G.Welch and G.Bishop.An introduction to the kalman filter[R].Technical Report TR 95-041,Computer Science,UNC Chapel Hill,1995.

[9]江艷霞，任波.基于局部Gabor相位特征融合的人臉識(shí)別[J].光電工程，2010,7(37):139-144.

[10]Etemad K,Chellapa T.Face recognition using discriminant eigenvectors[C],In:Proceedings of ICA SSP,1996.