当今社会，在海关、机场、银行、电视电话会议等场合，都需要对特定人脸目标进行跟踪。显然，要跟踪图像中的人脸，首先要识别人脸。人脸识别就是利用计算机分析静态图片或视频序列，从中找出人脸并输出人脸的数目、位置及其大小等有效信息，其次就是人脸跟踪。

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则是在90年代后期，并且以美国、德国和日本的技术实现为主。人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。狭义的人脸识别系统是指将静态图像或从视频中获取的视频图像与事先建立好的人脸特征库对比，寻找出与待识别人脸相匹配的人脸。广义的人脸识别系统包括人脸检测、特征提取和人脸识别三部分。人脸检测用来确定静态图像或视频图像中是否包含人脸，若包含人脸，则确定人脸的位置和大小及其相关信息。人脸跟踪着眼于视频中的帧图像，对于在人脸检测算法中提到人脸的视频帧图像，根据某个或某些算法集合在下一帧图像中对人脸可能出现的位置和大小进行预测，本质是为了提高提取人脸的速度、准确率及鲁棒性。特征提取模块从检测到的人脸区域提取出能标识某一人脸的相关特征，以便供人脸识别算法进行人脸识别过程。

2. 研究的基本内容与方案

人脸检测与跟踪技术经过几十年的发展都取得了很大的进步，但还是存在一些问题，如：在背景复杂状况下只能做到对正面人脸的检测，侧面或旋转状态的检测率不高，经常出现漏检的情况；输入图像的质量，如光线，噪声，对比度等因素引起的图像模糊对判断图像中是否存在人脸造成困难；人脸是弹性变化的，不仅每个人形态不同，同一个人在不同姿态下状况也不同。在外界因素如帽子、口罩、眼镜、头发的遮挡下人脸检测的很多方法都会失效。

本次研究主要在国内外大量有关视频序列人脸跟踪算法的前提下，对基于视频序列的人脸跟踪算法进行深入的研究和探索，以提高人脸检测的速度及准确性，在已有研究成果的基础上设计并实现一种有效、快速的基于视频序列的人脸跟踪算法。主要的研究内容有：对于环境和摄像头的影响，视频可能存在光照不均匀、噪声等问题导致检测性能降低的情况，为此研究视频图像预处理，以视频帧图像为单位对每一帧进行处理，经过光照补偿、滤波等处理，提高图像的质量；对于基于视频的人脸跟踪实时性的要求，对复杂背景的视频序列，利用肤色特征提取背景中肤色及类肤色区域作为候选区域的方法；研究Adaboost算法在人脸检测中的应用，结合改进的AdaBoost人脸检测算法，运用均值漂移策略对视频帧图像中检测到的人脸区域进行跟踪，将半自动化的CamShift跟踪算法改进为自动人脸跟踪算法，提高人脸提取的准确性；运用直方图匹配策略解决当目标人脸发生严重遮挡时造成的误跟踪问题，综合对比几种直方图匹配方法并选择合适者；运用视频图像中的相关信息去除发生严重遮挡的视频图像帧，提高算法的人脸跟踪性能。算法结构如下：

通过融合肤色特征、PCA特征以及Adaboost算法设计一个人脸检测系统，再利用器官梯度特征对检测到的人脸进行定位，将定位参数传递给Camshift实现人脸跟踪。