鲁棒人脸跟踪：多外观模型方法

"多外观模型的鲁棒人脸跟踪" 本文主要探讨的是在复杂视觉环境中进行人脸跟踪时如何克服各种挑战，如面部变形、旋转、尺度变化以及光照条件的影响。作者刘康和赖惠成提出了一种基于多外观模型的鲁棒人脸跟踪算法。这个算法的核心是利用长期和短期外观记忆的多个模型来有效地跟踪人脸，确保在面临外观变化时仍能保持准确性和稳定性。 首先，算法利用了L2-子空间学习方法来构建外观模型。L2-子空间是一种线性代数技术，能够捕捉到人脸在不同条件下的关键特征，即使在面部表情变化、遮挡或光照改变的情况下也能保持识别能力。通过结合长期和短期记忆，算法能够在跟踪过程中不断更新和适应人脸的外观变化，增强了模型的泛化能力。 其次，为了处理极端的外观变化，如快速的面部表情或姿态转换，该算法结合了先检测后跟踪的策略。在跟踪过程中引入人脸检测器，可以在人脸出现显著变化时重新定位和初始化跟踪。这种检测器的存在不仅有助于防止跟踪漂移，还能在跟踪失败时迅速恢复。 此外，为了进一步提高跟踪精度，论文提出了一种加权分数级融合策略。在每个帧中，算法会在可能的人脸位置生成一系列候选人脸。通过计算每个候选的得分，并应用加权融合规则，可以找到得分最高的候选作为最终的跟踪输出。这种方法有效地降低了错误候选的影响，提升了跟踪结果的可靠性。 在实际应用中，该跟踪器展示了出色的自启动能力和稳健的跟踪性能。实验结果表明，它在与多种先进跟踪器的对比中表现出优越的性能，特别是在处理复杂背景和快速运动的目标时。这一成果对于人脸识别、视频监控、智能交互等领域的应用具有重要意义。 关键词：人脸跟踪；多外观模型；L2-子空间；加权融合 中图分类号：TP391.4 文献标志码：A 文章编号：1001-893X(2020)02-0222-07 OSID（Open Science Identifier）标识码提供了该资源的唯一标识，方便读者获取更多相关信息和与作者互动。微信扫描二维码可以获取独家语音释文，与作者在线交流，享受本刊提供的专属服务。