人脸跟踪方法及装置制造方法
【专利摘要】本发明实施例公开了一种人脸跟踪方法及装置，涉及人脸跟踪【技术领域】，所述方法包括：确定人脸区域和人脸外区域；根据所述人脸区域和所述人脸外区域获得人脸特征模型；在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置；根据人脸区域位置和人脸外区域位置，确定人脸位置。本发明适用于处理动态人脸信息。
【专利说明】人脸跟踪方法及装置【技术领域】
[0001]本发明涉及人脸跟踪【技术领域】，特别涉及一种人脸跟踪方法及装置。
【背景技术】
[0002]人脸跟踪是在视频或图像序列中确定某个人脸的运动轨迹及大小变化的过程。一直以来，人脸跟踪在图像分析与识别图像监控与检索等领域都具有重大意义，成为大量学者的关注的焦点，许多行之有效的算法也相继出现。Mean shift (均值偏移)技术是一种基于密度梯度的无参数估计方法，主要应用于运动目标跟踪，具有快速和有效的特点。Camshift (连续自适应的均值偏移)是基于均值偏移方法的一种运动目标跟踪算法。在基于Mean shift算法快速收敛特性的前提下，Cam shift利用被跟踪物体的直方图特征使其兼具计算量低、对目标变形、旋转变化、遮挡等适应性强的特点，从而被广泛应用于人脸、手部及其它物体的跟踪及机器人视觉等多种场合。在Cam shift算法中，人脸颜色直方图(主要是肤色特征)是人脸跟踪的唯一依据，当跟踪人脸过程遇到大面积类肤色区域或者背景与肤色接近的情况时，其跟踪结果会受到严重干扰，导致跟踪失败。
[0003]针对上述干扰情况，现有技术中提出了两种优化方法，一种是基于Cam shift的改进算法，利用多维度颜色空间建立目标模型，使用两个核函数来进一步排除背景区域对于目标跟踪的干扰；另一种是基于边缘直方图的Mean shift人脸跟踪算法，利用边缘信息和纹理信息作为跟踪特征，该方法在背景颜色与肤色相似的情况下，跟踪效果明显优于传统的mean shift人脸跟踪算法。
[0004]在实现本发明的过程中，发明人发现现有技术中至少存在如下问题:基于Camshift的改进算法虽然能够对干扰进行优化，但是当背景颜色和跟踪目标的颜色非常接近时，仍不能彻底排除干扰的影响；基于边缘直方图的Mean shift人脸跟踪算法能够较好的处理背景颜色与跟踪目标颜色接近的问题，但是在人脸出现姿态变化，表情变化以及部分人脸被遮挡的情况下，该方法`不具备鲁棒性，跟踪结果受到影响。
【发明内容】
[0005]本发明的实施例提供一种人脸方法及装置，能够解决人脸跟踪过程中与肤色相近的背景颜色对人脸跟踪的干扰以及在人脸发生表情变化、姿态变化以及被遮挡的情况下，保持对人脸的跟踪，提闻人脸跟踪质量。
[0006]本发明实施例采用的技术方案为:
[0007]一种人脸跟踪方法，包括:
[0008]确定人脸区域和人脸外区域；
[0009]根据所述人脸区域和所述人脸外区域获得人脸特征模型；
[0010]在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置；
[0011]根据人脸区域位置和人脸外区域位置，确定人脸位置。[0012]其中，所述确定人脸外区域包括:统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域；统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域；将所述头发区域和所述衣肩区域一起作为人脸外区域。
[0013]其中，所述根据所述人脸区域和所述人脸外区域获得人脸特征模型包括:根据所述人脸区域和所述人脸外区域获得肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
[0014]进一步的，所述获得肤色模型包括:统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型。
[0015]进一步的，所述获得人脸内非肤色模型包括:将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
[0016]其中，所述根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置包括:使用加入了所述人脸特征模型的连续自适应的均值偏移Cam shift算法跟踪人脸区域，确定人脸区域位置；使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
[0017]一种人脸跟踪装置，包括:
[0018]第一确定模块，用于初始化人脸跟踪区域，确定人脸区域和人脸外区域；
[0019]模型获取模块，用于根据所述人脸区域和所述人脸外区域获得人脸特征模型；
[0020]第二确定模块，用于在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置；
[0021]第三确定模块，用于根据人脸区域位置和人脸外区域位置，确定人脸位置。
[0022]其中，所述第一确定模块还包括:第一统计单元，用于统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域；第二统计单元，用于统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域；第二确定单元，用于将所述头发区域和所述衣肩区域一起作为人脸外区域。
[0023]其中所述模型获取模块具体用于:根据所述人脸区域和所述人脸外区域获得肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
[0024]进一步的，所述模型获取模块包括:第一模型获取单元，用于统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型。
[0025]进一步的，所述模型获取模块还包括:第二模型获取单元，用于将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
[0026]其中，所述第二确定模块包括:第三确定单元，用于使用加入了所述人脸特征模型的连续自适应的均值偏移Cam shift算法跟踪人脸区域，确定人脸区域位置；第四确定单元，用于使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
[0027]与现有技术相比，本发明实施例通过在肤色模型的基础上，获取眼睛区域和嘴唇区域的颜色直方图，并通过离线训练的方法得到头发区域和衣肩区域，并通过将头发区域的颜色直方图、眼睛区域和嘴唇区域的颜色直方图和原本的肤色直方图加权结合起来，获得一个综合的人脸特征模型以及综合的颜色直方图，通过将综合的人脸特征模型加入到Cam shift算法中，更加精确的对人脸进行跟踪，可以大大降低与肤色相近的背景颜色对人脸跟踪的干扰，并且在人脸发生表情变化、姿态变化以及被遮挡的情况下不会中断对人脸的跟踪，增强了人脸跟踪的鲁棒性，另外通过头发区域和衣肩区域对人脸的位置作进一步约束和限制，提高了人脸跟踪的准确性。
【专利附图】
【附图说明】
[0028]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0029]图1为本发明实施例一提供的方法流程图；
[0030]图2为本发明实施例二提供的方法流程图；
[0031]图3、图4为本发明实施例三提供的装置结构示意图；
[0032]图5为本发明实施例四提供的装置结构示意图。
【具体实施方式】
[0033]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]为使本发明技术方案的优点更加清楚，下面结合附图和实施例对本发明作详细说明。
[0035]实施例一
[0036]本实施例提供一种人脸跟踪方法，如图1所示，所述方法包括:
[0037]101、确定人脸区域和人脸外区域。
[0038]其中，所述人脸区域包括:肤色区域、眼睛区域和嘴唇区域；所述人脸外区域包括:头发区域和衣肩区域。
[0039]其中，确定人脸区域是直接对人脸跟踪区域进行初始化，即可得到人脸区域；确定人脸外区域是通过离线训练的方法获得，包括:统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域；统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域；将所述头发区域和所述衣肩区域一起作为人脸外区域。
[0040]102、根据所述人脸区域和所述人脸外区域获得人脸特征模型。
[0041]其中，在获得人脸区域和人脸外区域后，需要建立人脸特征模型，包括:根据所述人脸区域和所述人脸外区域获得肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
[0042]其中，获得肤色模型包括:统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型；获得人脸内非肤色模型包括:将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
[0043]103、在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置。
[0044]例如，使用加入了所述人脸特征模型的连续自适应的均值偏移Cam shift算法跟踪人脸区域，确定人脸区域位置；使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
[0045]104、根据人脸区域位置和人脸外区域位置，确定人脸位置。
[0046]进一步的，在所述根据人脸区域位置和人脸外区域位置，确定人脸位置之后，还包括:对所述最终的人脸位置的跟踪结果做平滑处理，根据多帧图像的人脸位置加权得到最佳人脸位置。
[0047]与现有技术相比，本发明实施例通过在肤色模型的基础上，获取眼睛区域和嘴唇区域的颜色直方图，并通过离线训练的方法得到头发区域和衣肩区域，并通过将头发区域的颜色直方图、眼睛区域和嘴唇区域的颜色直方图和原本的肤色直方图加权结合起来，获得一个综合的人脸特征模型以及综合的颜色直方图，通过将综合的人脸特征模型加入到Cam shift算法中，更加精确的对人脸进行跟踪，可以大大降低与肤色相近的背景颜色对人脸跟踪的干扰，并且在人脸发生表情变化、姿态变化以及被遮挡的情况下不会中断对人脸的跟踪，增强了人脸跟踪的鲁棒性，另外通过头发区域和衣肩区域对人脸的位置作进一步约束和限制，提高了人脸跟踪的准确性。
[0048]实施例二
[0049]本实施例提供一种人脸跟踪方法，如图2所示，所述方法包括:
[0050]201、初始化人脸跟踪区域，确定人脸区域和人脸外区域。
[0051]其中，所述人脸区域包括:肤色区域、眼睛区域和嘴唇区域；所述人脸外区域包括:头发区域和衣肩区域。在进行初始化人脸跟踪区域后，就可以得到跟踪的人脸的区域，这个区域主要包括了人脸的肤色区域、眼睛区域和嘴唇区域。
[0052]进一步的，在确定人脸外区域时，需要使用离线训练的方法让系统根据多个样本进行估计，最终确定头发区域和衣肩区域，例如，统计头发区域的先验，得到头发区域的先验概率，选取概率较大的区域作为头发区域；统计衣肩区域的先验，得到衣肩区域的先验概率，选取概率较大的区域作为衣肩区域。
[0053]202、计算人脸区域的肤色模型。
[0054]例如，统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将此颜色直方图作为肤色模型，需要说明的是，这里由于人脸区域主要是肤色区域，所以可以认为此颜色直方图即是肤色模型。
[0055]203、计算人脸区域的非肤色模型，以及人脸外区域的非肤色模型。
[0056]例如，计算人脸区域的非肤色模型包括:根据步骤202中得到的肤色模型，将该肤色模型中肤色区域去掉，剩余的模型即为人脸区域的非肤色模型；其中人脸外区域包括头发区域和衣肩区域，我们在计算人脸外区域模型时仅仅考虑头发区域而不对衣肩区域进行计算，因为衣肩区域在本方法中主要是对人脸位置的确定，并且加入计算过于复杂。计算人脸外区域的非肤色模型包括:根据步骤201中确定的头发区域，按照步骤202获取肤色模型的方法，获取头发区域的颜色直方图作为人脸外区域的非肤色模型。
[0057]204、获取人脸特征模型。
[0058]例如，对步骤202和步骤203中得到的一个肤色模型和两个非肤色模型对应的颜色直方图进行加权平均，获得新的颜色直方图，即新的模型，将新模型作为人脸特征模型，人脸特征模型主要用于加入到Cam shift算法使用的模型中，来增强人脸的跟踪效果，消除近肤色背景或者物体对人脸跟踪的干扰。
[0059]对比仅使用肤色模型的Cam shift算法和使用人脸特征模型的Cam shift算法，以一帧人脸跟踪图像为例，可以发现，在对两张图像做反向投影后，使用人脸特征模型的图像与使用肤色模型的图像相比，使用人脸特征模型的图像的人脸区域明显较使用肤色模型的图像的人脸区域更加明显，大大提高了跟踪的准确性。
[0060]205、继续跟踪下一帧图像。
[0061]206、判断这一帧图像是否到达帧尾，如果到达了帧尾，则结束流程；如果没有到达帧尾，则执行步骤207。
[0062]可选的，这里需要对当前人脸跟踪的图像帧数进行判断，若当前的图像时最后一帧图像，则停止人脸跟踪；若当前图像不是最后一帧图像，则继续跟踪。这样做的主要目的就是为了防止当人脸跟踪的图像为最后一帧，已没有继续跟踪的必要时，不能及时停止流
程，浪费一些资源。
[0063]207、使用Cam shift算法分别对人脸区域、衣肩区域和头发区域进行跟踪。
[0064]针对人脸区域使用加入了人脸特征模型的Cam shift算法，针对衣肩区域和头发区域使用普通的Cam shift算法,例如,使用加入了所述人脸特征模型的Cam shift算法跟踪人脸区域，确定人脸区域位置；再使用Cam shift算法跟踪衣肩区域和头发区域，获得这两个区域的位置，根据头发区域和衣肩区域的位置，可以更好的帮助确定人脸的最终位置，提闻人脸跟踪的准确性。
[0065]208、确定人脸位置。
[0066]209、判断人脸跟踪是否失效，若已失效，则执行步骤201，若没有失效，则执行步骤210。
[0067]210、对人脸跟踪结果进行平滑性处理。
[0068]例如，对最近几帧图像的人脸位置作加权平均，获得一个相对准确的人脸位置。
[0069]211、输出平滑处理后的人脸跟踪结果。
[0070]其中，人脸跟踪结果显示在屏幕上即为一个跟踪框，用来框住人脸。
[0071]进一步的，在输出跟踪结果之后，还可以返回继续执行步骤205，实现对目标的持续跟踪。
[0072]与现有技术相比，本发明实施例通过在肤色模型的基础上，获取眼睛区域和嘴唇区域的颜色直方图，并通过离线训练的方法得到头发区域和衣肩区域，并通过将头发区域的颜色直方图、眼睛区域和嘴唇区域的颜色直方图和原本的肤色直方图加权结合起来，获得一个综合的人脸特征模型以及综合的颜色直方图，通过将综合的人脸特征模型加入到Cam shift算法中，更加精确的对人脸进行跟踪，可以大大降低与肤色相近的背景颜色对人脸跟踪的干扰，并且在人脸发生表情变化、姿态变化以及被遮挡的情况下不会中断对人脸的跟踪，增强了人脸跟踪的鲁棒性，另外通过头发区域和衣肩区域对人脸的位置作进一步约束和限制，提高了人脸跟踪的准确性。
[0073]实施例三
[0074]本实施例提供一种人脸跟踪装置，如图3所示，所述装置包括:
[0075]第一确定模块31，用于初始化人脸跟踪区域，确定人脸区域和人脸外区域；
[0076]模型获取模块32，用于根据所述人脸区域和所述人脸外区域获得人脸特征模型；
[0077]第二确定模块33，用于在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置；
[0078]第三确定模块34，用于根据人脸区域位置和人脸外区域位置，确定人脸位置。
[0079]其中，所述人脸区域包括:肤色区域、眼睛区域和嘴唇区域；所述人脸外区域包括:头发区域和衣肩区域。
[0080]进一步的，如图4所示，所述第一确定模块31还可以包括:
[0081]第一确定单元311，用于根据初始化人脸跟踪区域的初始化结果，得到人脸区域。
[0082]进一步的，如图4所示，所述第一确定模块31还可以包括:
[0083]第一统计单元312，用于统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域；
[0084]第二统计单元313，用于统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域；
[0085]第二确定单元314，用于将所述头发区域和所述衣肩区域一起作为人脸外区域。
[0086]其中，所述模型获取模块32具体用于:根据所述人脸区域和所述人脸外区域获得的肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
[0087]进一步的，如图4所示，所述模型获取模块32还可以包括:
[0088]第一模型获取单元321，用于统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型。
[0089]进一步的，如图4所示，所述模型获取模块32还可以包括:
[0090]第二模型获取单元322，用于将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
[0091]进一步的，如图4所示，所述第二确定模块33还可以包括:
[0092]第三确定单元331，用于使用加入了所述人脸特征模型的连续自适应的均值偏移Cam shift算法跟踪人脸区域，确定人脸区域位置；
[0093]第四确定单元332，用于使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
[0094]进一步的，如图4所示，所述装置还可以包括:
[0095]结果处理模块35，用于对所述最终的人脸位置的跟踪结果做平滑处理，根据多帧图像的人脸位置加权得到最佳人脸位置。[0096]与现有技术相比，本发明实施例通过在肤色模型的基础上，获取眼睛区域和嘴唇区域的颜色直方图，并通过离线训练的方法得到头发区域和衣肩区域，并通过将头发区域的颜色直方图、眼睛区域和嘴唇区域的颜色直方图和原本的肤色直方图加权结合起来，获得一个综合的人脸特征模型以及综合的颜色直方图，通过将综合的人脸特征模型加入到Cam shift算法中，更加精确的对人脸进行跟踪，可以大大降低与肤色相近的背景颜色对人脸跟踪的干扰，并且在人脸发生表情变化、姿态变化以及被遮挡的情况下不会中断对人脸的跟踪，增强了人脸跟踪的鲁棒性，另外通过头发区域和衣肩区域对人脸的位置作进一步约束和限制，提高了人脸跟踪的准确性。
[0097]实施例四
[0098]本实施例提供一种人脸跟踪装置，如图5所示，所述装置包括:
[0099]接收器41，用于接收人脸图像信号；
[0100]第一处理器42，用于根据接收器41接收的人脸图像信号，初始化人脸跟踪区域，确定人脸区域和人脸外区域；
[0101]第二处理器43，用于根据第一处理器42确定的人脸区域和人脸外区域获得人脸特征模型；
[0102]第三处理器44，用于使用第二处理器43获得的人脸特征模型以及第一处理器42确定的人脸区域和人脸外区域对接收器41接收的下一帧图像进行人脸跟踪，确定人脸区域位置和人脸外区域位置；
[0103]第四处理器45，用于根据第三处理器44确定的人脸区域位置和人脸外区域位置确定人脸位置。
[0104]进一步的，还包括:第五处理器46，用于对第四处理器获得的近几帧图像的人脸位置进行平滑性处理，得到最佳的人脸位置。
[0105]与现有技术相比，本发明实施例通过在肤色模型的基础上，获取眼睛区域和嘴唇区域的颜色直方图，并通过离线训练的方法得到头发区域和衣肩区域，并通过将头发区域的颜色直方图、眼睛区域和嘴唇区域的颜色直方图和原本的肤色直方图加权结合起来，获得一个综合的人脸特征模型以及综合的颜色直方图，通过将综合的人脸特征模型加入到Cam shift算法中，更加精确的对人脸进行跟踪，可以大大降低与肤色相近的背景颜色对人脸跟踪的干扰，并且在人脸发生表情变化、姿态变化以及被遮挡的情况下不会中断对人脸的跟踪，增强了人脸跟踪的鲁棒性，另外通过头发区域和衣肩区域对人脸的位置作进一步约束和限制，提高了人脸跟踪的准确性。
[0106]本发明实施例提供的人脸跟踪装置可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。本发明实施例提供的人脸跟踪方法及装置可以适用于处理动态人脸信息，但不仅限于此。
[0107]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory, RAM)等。
[0108]以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何熟悉本【技术领域】的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
【权利要求】
1.一种人脸跟踪方法，其特征在于，包括:
确定人脸区域和人脸外区域； 根据所述人脸区域和所述人脸外区域获得人脸特征模型； 在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置； 根据人脸区域位置和人脸外区域位置，确定人脸位置。
2.根据权利要求1所述的方法，其特征在于，所述人脸区域包括:肤色区域、眼睛区域和嘴唇区域；所述人脸外区域包括:头发区域和衣肩区域。
3.根据权利要求1，其特征在于，所述确定人脸区域包括: 根据初始化人脸跟踪区域的初始化结果，得到人脸区域。
4.根据权利要求1所述的方法，其特征在于，所述确定人脸外区域包括: 统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域； 统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域； 将所述头发区域和所述衣肩区域一起作为人脸外区域。
5.根据权利要求1所述的方法，其特征在于，所述根据所述人脸区域和所述人脸外区域获得人脸特征模型包括: 根据所述人脸区域和所述人脸外区域获得的肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
6.根据权利要求5所述的方法，其特征在于，所述获得肤色模型包括: 统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型。
7.根据权利要求5或6所述的方法，其特征在于，所述获得人脸内非肤色模型包括: 将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
8.根据权利要求1所述的方法，其特征在于，所述根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置包括: 使用加入了所述人脸特征模型的连续自适应的均值偏移Cam shift算法跟踪人脸区域，确定人脸区域位置； 使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
9.根据权利要求1所述的方法，其特征在于，在所述根据人脸区域位置和人脸外区域位置，确定人脸位置之后，还包括: 对所述最终的人脸位置的跟踪结果做平滑处理，根据多帧图像的人脸位置加权得到最佳人脸位置。
10.一种人脸跟踪装置，其特征在于，包括: 第一确定模块，用于初始化人脸跟踪区域，确定人脸区域和人脸外区域； 模型获取模块，用于根据所述人脸区域和所述人脸外区域获得人脸特征模型；第二确定模块，用于在下一帧图像中，根据所述人脸区域、人脸外区域和人脸特征模型确定人脸区域位置和人脸外区域位置； 第三确定模块，用于根据人脸区域位置和人脸外区域位置，确定人脸位置。
11.根据权利要求10所述的装置，其特征在于，所述人脸区域包括:肤色区域、眼睛区域和嘴唇区域；所述人脸外区域包括:头发区域和衣肩区域。
12.根据权利要求10所述的装置，其特征在于，所述第一确定模块包括: 第一确定单元，用于根据初始化人脸跟踪区域的初始化结果，得到人脸区域。
13.根据权利要求10所述的装置，其特征在于，所述第一确定模块还包括: 第一统计单元，用于统计所述头发区域的先验，得到所述头发区域的先验概率，选取概率较大的区域作为头发区域； 第二统计单元，用于统计所述衣肩区域的先验，得到所述衣肩区域的先验概率，选取概率较大的区域作为衣肩区域； 第二确定单元，用于将所述头发区域和所述衣肩区域一起作为人脸外区域。
14.根据权利要求10所述的装置，其特征在于，所述模型获取模块具体用于:根据所述人脸区域和所述人脸外区域获得的肤色模型和非肤色模型，对所述肤色模型和所述非肤色模型进行加权平均获得人脸特征模型，其中所述肤色模型由所述肤色区域得到，所述非肤色模型由所述眼睛区域、嘴唇区域和所述头发区域得到。
15.根据权利要求14所述的装置，其特征在于，所述模型获取模块包括: 第一模型获取单元，用于统计人脸区域的色度、饱和度和亮度三个分量的颜色直方图，将所述颜色直方图作为肤色模型。
16.根据权利要求14或15所述的装置，其特征在于，所述模型获取模块还包括: 第二模型获取单元，用于将所述肤色模型中的肤色区域剪除，剩余部分的颜色直方图再加上所述头发区域的颜色直方图作为人脸内非肤色模型。
17.根据权利要求10所述的装置，其特征在于，所述第二确定模块包括: 第三确定单元，用于使用加入了所述人脸特征模型的连续自适应的均值偏移Camshift算法跟踪人脸区域，确定人脸区域位置； 第四确定单元，用于使用所述Cam shift算法分别跟踪头发区域和衣肩区域，确定人脸外区域位置。
18.根据权利要求10所述的装置，其特征在于，还包括: 结果处理模块，用于对所述最终的人脸位置的跟踪结果做平滑处理，根据多帧图像的人脸位置加权得到最佳人脸位置。
【文档编号】G06K9/46GK103632126SQ201210296738
【公开日】2014年3月12日 申请日期:2012年8月20日 优先权日:2012年8月20日
【发明者】张 杰, 熊剑平, 黄一宁 申请人:华为技术有限公司