OpenCV驱动的人脸检测、识别与跟踪技术研究与实现

本篇硕士学位论文深入探讨了基于OpenCV的人脸检测识别及跟踪技术在计算机视觉与模式识别领域的应用。作者刘文达，专业为控制科学与工程，由指导教师胡荣强教授指导，于2009年完成。论文首先概述了当前人脸检测定位与跟踪的研究现状，强调其在图像与视频检索、视频监控、自动人脸识别以及智能人机交互中的核心作用。 文章详细介绍了国内外人脸识别技术的发展，特别是关注了集成机器学习中的弱分类器集成方法，如AdaBoost算法。Viola等人提出的实时人脸检测算法利用Harr-like特征和积分图技术，显著提升了特征计算效率，通过AdaBoost选择少量特征构成高效分类器，采用“Cascade”策略提高检测速度，表现出良好的性能。 论文还详细剖析了不同人脸跟踪算法，如Meanshift跟踪算法，以及卡尔曼滤波器的应用。作者针对Meanshift算法进行了改进，引入自适应跟踪窗口，优化了目标的连续性和准确性。研究过程中，作者构建了训练系统框架，讨论了跟踪窗口管理、多目标跟踪、目标对应和目标队列更新等问题，并对比了不同人脸检测方法所需样本集的规模。 在实现部分，作者依赖OpenCV的开源代码进行研究，利用其提供的数据类型和工具开发了一套人脸检测跟踪系统。论文中，作者对人脸检测率、误检率、检测速度和鲁棒性进行了实验评估，并与文献【37】的方法进行了对比。结果显示，作者的人脸检测器能达到接近90%的检测率，误检率低，跟踪效果优良。此外，通过对比采用卡尔曼滤波器前后系统的收敛次数，进一步验证了改进算法的性能提升。 关键词包括AdaBoost分类器、Cascade策略、Meanshift人脸跟踪等，这些技术在论文中起到了关键支撑作用。总体来说，这篇论文展示了作者在人脸识别与跟踪技术领域的深入理解和实践经验，对相关领域的研究者和技术开发者具有较高的参考价值。