《人脸识别外文翻译参考文献》由会员分享，可在线阅读，更多相关《人脸识别外文翻译参考文献（14页珍藏版）》请在金锄头文库上搜索。
1、人脸识别外文翻译参考文献（文档含中英文对照即英文原文和中文翻译）译文：基于PAC的实时人脸检测和跟踪方法摘要：这篇文章提出了复杂背景条件下，实现实时人脸检测和跟踪的一种方法。这 种方法是以主要成分分析技术为基础的。为了实现人脸的检测，首先，我们要用 一个肤色模型和一些动作信息（如：姿势、手势、眼色。然后，使用PAC技术检 测这些被检验的区域，从而判定人脸真正的位置。而人脸跟踪基于欧几里德（Euclidian）距离的，其中欧几里德距离在位于以前被跟踪的人脸和最近被检 测的人脸之间的特征空间中。用于人脸跟踪的摄像控制器以这样的方法工作：利 用平衡/（pan/tilt）平台，把被检测的人脸区域控制在
2、屏幕的中央。这个方法 还可以扩展到其他的系统中去，例如电信会议、入侵者检查系统等等。1.引言视频信号处理有许多应用，例如鉴于通讯可视化的电信会议，为残疾人服务 的唇读系统。在上面提到的许多系统中，人脸的检测喝跟踪视必不可缺的组成部 分。在本文中，涉及到一些实时的人脸区域跟踪1-3。一般来说，根据跟踪角度 的不同，可以把跟踪方法分为两类。有一部分人把人脸跟踪分为基于识别的跟踪 喝基于动作的跟踪，而其他一部分人则把人脸跟踪分为基于边缘的跟踪和基于区 域的跟踪4。基于识别的跟踪是真正地以对象识别技术为基础的，而跟踪系统的性能是受 到识别方法的效率的限制。基于动作的跟踪是依赖于动作检测技术，且该技术可
3、 以被分成视频流（optical flow）的（检测）方法和动作一能量（motion energy） 的（检测）方法。基于边缘的（跟踪）方法用于跟踪一幅图像序列的边缘，而这些边缘通常是 主要对象的边界线。然而，因为被跟踪的对象必须在色彩和光照条件下显示出明 显的边缘变化，所以这些方法会遭遇到彩色和光照的变化。此外，当一幅图像的 背景有很明显的边缘时，（跟踪方法）很难提供可靠的（跟踪）结果。当前很多 的文献都涉及到的这类方法时源于Kass et al.在蛇形汇率波动的成就。因为视 频情景是从包含了多种多样噪音的实时摄像机中获得的，因此许多系统很难得到 可靠的人脸跟踪结果。许多最新的人脸跟踪的研究
4、都遇到了最在背景噪音的问 题，且研究都倾向于跟踪未经证实的人脸，例如臂和手。在本文中，我们提出了一种基于 PCA 的实时人脸检测和跟踪方法，该方法是 利用一个如图1所示的活动摄像机来检测和识别人脸的。这种方法由两大步骤构 成：人脸检测和人脸跟踪。利用两副连续的帧，首先检验人脸的候选区域，并利 用 PCA 技术来判定真正的人脸区域。然后，利用特征技术（ eigen technique） 跟踪被证实的人脸。2.人脸检测在这一部分中，将介绍本文提及到的方法中的用于检测人脸的技术。为了改 进人脸检测的精确性，我们把诸如肤色模型1,6和PCA7,8这些已经发表的技术结 合起来。2.1 肤色分类检测肤色像
5、素提供了一种检测和跟踪人脸的可靠方法。因为通过许多视频摄 像机得到的一幅 RGB 图像不仅包含色彩还包含亮度，所以这个色彩空间不是检 测肤色像素1,6的最佳色彩图像。通过亮度区分一个彩色像素的三个成分，可以 移动亮度。人脸的色彩分布是在一个小的彩色的色彩空间中成群的，且可以通过 一个2 维的高斯分部来近似。因此，通过一个 2 维高斯模型可以近似这个肤色模 型，其中平均值和变化如下：m=（r,g）其中 r riNi =1i y .g =gig N g=11)2)一旦建好了肤色模型，一个定位人脸的简单方法是匹配输入图像来寻找图像 中人脸的色彩群。原始图像的每一个像素被转变为彩色的色彩空间，然后与该
6、肤 色模型的分布比较。2.2 动作检测虽然肤色在特征的应用种非常广泛，但是当肤色同时出现在背景区域和人的 皮肤区域时，肤色就不适合于人脸检测了。利用动作信息可以有效地去除这个缺 点。为了精确，在肤色分类后，仅考虑包含动作的肤色区域。结果，结合肤色模 型的动作信息导出了一幅包含情景(人脸区域)和背景(非人脸区域)的二进制 图像。这幅二进制图像定义为 ，其中 It(x,y)和It-1(x,y)分别是当前帧和前面那帧中像素(x,y)的亮度。St是当前帧中肤色像 素的集合，(斯坦)t是利用适当的阈限技术计算出的阈限值。作为一个加速处 理的过程，我们利用形态学(上)的操作(morpholoical op
7、erations)和连接成分 分析，简化了图像 Mt。2.3 利用 PCA 检验人脸因为有许多移动的对象，所以按序跟踪人脸的主要部分是很困难的。此外， 还需要检验这个移动的对象是人脸还是非人脸。我们使用特征空间中候选区域的 分量向量来为人脸检验问题服务。为了减少该特征空间的维度，我们把 N 维的 候选人脸图像投影到较低维度的特征空间，我们称之为特征空间或人脸空间7,8。 在特征空间中，每个特征说明了人脸图像中不同的变化。为了简述这个特征空间，假设一个图像集合I1, I2, I3,，IM,其中每幅图 像是一个 N 维的列向量，并以此构成人脸空间。这个训练（测试）集的平均值 用A= 1M工m I来
8、定义。用o尸1厂A来计算每一维的零平均数，并以此构成 i=1一个新的向量。为了计算 M 的直交向量，其中该向量是用来最佳地描述人脸图像地分布，首先，使用C= M t o伸f=YYr （4）来计算协方差矩阵Y=帥神i=120 M。虽然矩阵C是NXN维的，但是定义一个N维的特征向量和N个特征 值是个难处理的问题。因此，为了计算的可行性，与其为 C 找出特征向量，不Y *vk如我们计算YtY中M个特征向量vk和特征值九匕所以用u k=来计算一个 基本集合，其中k=1,，M。关于这M个特征向量，选定M个重要的特征向 量当作它们的相应的最大特征值。对于 M 个训练（测试）人脸图像，特征向量 W厂网1，w
9、 2，w M用w k=u kT0声=1,，M （6）来计算。为了检验候选的人脸区域是否是真正的人脸图像，也会利用公式（ 6）把这 个候选人脸区域投影到训练（测试）特征空间中。投影区域的检验是利用人脸类 和非人脸类的检测区域内的最小距离，通过公式（7）来实现的。 Min（|Wkcandidate Wfacell，IWkcandidate “冏。），（7）其中 Wandidate是训练（测试）特征空间中 对 k 个候选人脸区域，且 Wface， Wnonface 分别是训练（测试）特征空间中人脸类和 非人脸类的中心坐标，而11X11表示特征空间中的欧几里德距离（Euclidean）3.人脸跟踪在最
10、新的人脸检测中，通过在特征空间中使用一个距离度量标准来定义图像 序列中下一幅图像中被跟踪的人脸。为了跟踪人脸，位于被跟踪人脸的特征向量 和K个最近被检测的人脸之间的欧几里德距离是用obj = argkminllWoldW，k =1，K， （8）来计算的。在定义了人脸区域后，位于被检测人脸区域的中心和屏幕中心之间的距离用 distt (face, screen)=Facet (x, y)Screen (height/2, width/2), (9)来计算, 其中Facet (x, y)是时间t内被检测人脸区域的中心，Screen (height/2, width/2) 是屏幕的中心区域。使用这个
11、距离向量,就能控制摄像机中定位和平衡 /倾斜的 持续时间。摄像机控制器是在这样的方式下工作的：通过控制活动摄像机的平和 /倾斜平台把被检测的人脸区域保持在屏幕的中央。在表 2 自己品母国。参数表 示的是活动摄像机的控制。用伪代码来表示平衡/倾斜处理的持续时间和摄像机 的定位。计算平和/倾斜持续时间和定位的伪代码：Procedure Duration( x, y)BeginSigd=None；Distance x2 + y 2 ；IF distance0thencloseSigd=Close；ELSEIF distance0thenfarSigd=fat；Return( Sigd)；End Du
12、ration；Procedure Orientation( x, y)BeginSigo=None；IF x0x thenAdd “RIGHT” to Sigo；ELSEIF x 0 y thenAdd “up”to Sigo；ElSEIF x-0 y thenAdd “DOWN” to Sigo；Return（Sigo）；End Orientation；4.结论本文中提议了一种基于 PAC 的实时人脸检测和跟踪方法。被提议的这种方 法是实时进行的，且执行的过程分为两大部分：人脸识别和人脸跟踪。在一个视 频输入流中，首先，我们利用注入色彩、动作信息和 PCA 这类提示来检测人脸 区域，然后，用
13、这样的方式跟踪人脸：即通过一个安装了平衡 /请求平台的活动 摄像机把被检测的人脸区域保持在屏幕的中央。未来的工作是我们将进一步发展 这种方法，通过从被检测的人脸区域种萃取脸部特征来为脸部活动系统服务。参考文献1 Z. Guo, H. Liu, Q. Wang, and J. Yang, “A Fast Algorithm of Face Detection for Driver Monitoring,” In Proceedings of the Sixth International Conference on Intelligent Systems Design and Applicati
14、ons, vol.2, pp.267 - 271, 2001.2 M. Yang, N. Ahuja, “Face Detection and Gesture Recognition for Human-Computer Interaction,” The International Series in Video Computing , vol.1, Springer, 2001.3 Y. Freund and R. E. Schapire, “A Decision -Theoretic Generaliztion of On-Line Learning and an Application
15、 to Boosting,” Journal of Computer and System Sciences, no. 55, pp. 119-139, 1997.原文:PCA-Base Real-Time Face Detection and Tracking【Abstract】：This article put forward complicated background term next; realize solid contemporaries face examination with on the trail of a kind of method. These kinds of method regard main composition analysis technique as basal. Facial examination in person for realizing, first, we want to use a skin color model to act the information with the some (such as: Posture, signal, expression of eyes).Then, the usage PAC technique
