本发明涉及一种人脸图像识别方法。特别涉及一种基于struck跟踪算法的人脸图像识别方法。
背景技术：
由于天网工程的开展，公安部门已经掌握了大部分的监控摄像头。这些摄像头每天产生视频数据的数量级非常大。虽然海量的视频数据是公共安全的一个重要保障，然而想要利用人力在视频信息中找到特定的目标，存在耗时长，主观判断性强，容错率低等问题。
因此，需要一种可以准确、快速地找到目标的自动化方法。
技术实现要素：
本发明的目的是为了解决当今大部分地区对天网工程视频数据的追溯仍停留在人力查找阶段，监控数据处理效率低下的问题的问题，而提出一种基于struck跟踪算法的人脸图像识别与视频片段截取方法。
一种基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述方法通过以下步
骤实现：
步骤一、使用adaboost方法结合haar-like特征检测视频中人脸数据；
步骤二、利用检测到的人脸数据自动地初始化struck跟踪器，利用跟踪器进行跟踪得到人脸图像序列；
步骤三、对跟踪器截取的人脸图像帧序列进行预处理；
步骤四、为人脸图像建立特征空间并用one-classsvm分类；实现输入指定图像的序
列的特征后输出视频内容中与之相关的视频片段的目标。
本发明的有益效果为：
本发明是基于人脸图像的视频检索方法，能够在指定时间段内判断目标是否出现，并输出检索的相关视频片段。基于人脸图像的视频检索方式，采用struck跟踪算法。struck算法是一种可在线学习的计算机视觉跟踪算法。结合adaboost算法可以自动初始化跟踪器，此外adaboost与跟踪器同时运行，可以提高跟踪准确性。
若跟踪器丢失当前目标，也能及时检测下一个目标，提高了片段截取的效率。
具体实施方式
具体实施方式一：
本实施方式的基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述方法通
过以下步骤实现：
步骤一、使用adaboost方法结合haar-like特征检测视频中人脸数据；
步骤二、利用检测到的人脸数据自动地初始化struck跟踪器，利用跟踪器进行跟踪得到人脸图像序列；
步骤三、对跟踪器截取的人脸图像帧序列进行预处理；
步骤四、为人脸图像建立特征空间并用one-classsvm分类；实现输入指定图像的序列的特征后输出视频内容中与之相关的视频片段的目标。
具体实施方式二：
与具体实施方式一不同的是，本实施方式的基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述的步骤二中，利用检测到的人脸数据自动地初始化struck跟踪器，利用跟踪器进行跟踪得到人脸图像序列的过程为：
人脸跟踪的步骤包括检测和跟踪，本文对视频中的图像帧序列采用级联adaboost算法检测人脸。adaboost是一种迭代算法，将若干个弱分类器聚合成为一个强分类器，能够有效提高学习方法的准确性。
haar特征值对应的是图像的灰度变化。脸部的某些特征基本可以被矩形特征简单地描述，例如五官的相对明暗关系：眼睛的颜色与脸颊的颜色对比，鼻梁、嘴巴与周围颜色的对比等等。
但haar-like存在很明显的短处：矩形特征只对一些简单的图形结构，单一特征只能描述能够由小面积矩形标示的特定走向的结构，表示边界、线段、棱角等。
步骤二一、利用adaboost算法按照一定规则聚合多个以haar-like特征为基准的分类器，这样聚合后的分类器足以判断某一图像区域是否为人脸；级联adaboost将判断各种人脸特征的分类器聚合以得到效用更高的分类器，实现从眼睛、鼻子到整张人脸的识别。
步骤二二、使用adaboost方法对每个序列的第一帧进行处理后，将该帧中检测到的人脸数据用于初始化跟踪器；
步骤二三、struck全称结构性训练跟踪算法：
首先，给定的目标图片序列中，在第一帧获取到跟踪目标，用这个目标初始化跟踪器的参数；
然后，第二利用它自身的预测机制估计出接下来物体可能出现的位置；
最后，对新出现的跟踪目标样本进行处理，求解最优的分割平面，加入阈值判断防止支持向量过增长，跟踪到目标对象并更新支持向量集。
具体实施方式三：
与具体实施方式二不同的是，本实施方式的基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述的步骤三中，对跟踪器截取的人脸图像帧序列进行预处理的过程为：使用直方图均衡化对图像序列中的每一帧作预处理以减少光线对图像特征的影响，再进行归一化；归一化是将姿态、大小不一的样本图像通过仿射映射，得到一组特征点对齐、大小一致的图像，再使用重心模板找到脸部的中心位置；改善图像质量，统一图像灰度值及尺寸，消除对特征提取无用的噪声。
具体实施方式四：
与具体实施方式三不同的是，本实施方式的基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述的步骤四中，为人脸图像建立特征空间并用one-classsvm分类；实现输入指定图像的序列的特征后输出视频内容中与之相关的视频片段的目标的过程，具体为：
增量pca方法提取预处理后的序列的特征；以one-classsvm作为检索分类器，实现输入指定图像的序列的特征后输出视频内容中与之相关的视频片段的目标；pca建立特征空间，并逐帧增量更新，同时更新one-classsvm。
具体实施方式五：
与具体实施方式四不同的是，本实施方式的基于struck跟踪算法的人脸图像识别与视频片段截取方法，所述的增量pca方法提取预处理后的序列的特征的过程为，
在最小均方意义下寻找能最大程度表示样本分布的投影方向，即单位向量，它是一种常用的特征提取方法。pca将原始数据的高维特征线性变换为各维度线性无关的一组向量表示，在数据主要特征分量的提取中应用广泛，是高维数据降维的常用方法。pca算法的核心思想是将高维特征映射到小于原数据维度的空间维上，这一新构造出来的较低维是全新的正交特征，被称为主成分。
一幅图像x在低维空间中的特征向量y，由式(1)投影方式得到
y＝mtx(1)
x作为预处理后的数据，是归一化的图像帧的向量表示，x∈rm，y∈rn，m>n，上式中的m代表投影矩阵，y是提取的新特征。令m维向量xi(i＝1，2，3，…，l)代表归一化后的人脸图像，x代表xi向量的均值，这些样本的协方差矩阵：
主成分分析的投影矩阵m的列向量由协方差矩阵的前m个特征值最大的特征向量组成，将特征值从大到小排序λ1≥λ2≥λ1，并设这些特征值对应的特征向量为μi，这样每个人脸图像都可以投影到μ1,μ2,…,μ1所构成的特征空间中得到一个l维的特征向量，l的维数很大，没有必要完全保留，选取前m个特征向量使得：
在上式中，可以尽量选取接近1的α，这说明样本在前m个轴上的能量基本可以代表整个能量。
种算法虽然常用但容错率较小，因为它对训练样本集的要求很高，通常训练人脸和目标人脸的光照、背景等条件尽量一致才能达到最好的匹配效果；而通常视频中的人脸图像变化波动很大，并不受上述外界因素的拘束。
使用增量pca学习算法，增量pca在pca的基础上可以在增量的过程中逐步减小因背景、光线、角度等外界因素对图像序列不同帧造成的差别，有效降低提取特征的散度；
一个训练序列为一个固定人物，识别过程中将结果反馈到子空间和单类支持向量机one-classsvm上进行分类，动态调整子空间的单位向量方向和one-classsvm的分类面，以这种方式减少光照、背景等因素的影响。one-classsvm分类器适用于二分类问题，即是或者不是。因为输出结果只有两个，所以训练数据只需要足量的正样本，确保分类器能准确判断其中一种结果即可，符合应用场景。svm不同的内积核函数将得到不同的高维空间的映射，本文采用的核函数为径向基函数与多项式内核函数：
(1)径向基函数(rbf)：
(2)多项式内核：
多项式内核和rbf核是svm常用的两种核函数，rbf核函数应用最广，它可以将一个样本映射到一个更高维的空间，rbf网络能够逼近任意的非线性函数，处理系统内难以解析的规律，泛化能力良好，收敛速度快。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。