太原理工大學 計算機科學與技術學院，太原 030024

太原理工大學 計算機科學與技術學院，太原 030024

1 引言

隨著多媒體技術的發(fā)展，計算機性能的不斷提高和網(wǎng)絡的廣泛普及，使得多媒體視頻的應用得到了極大的發(fā)展，越來越多的記錄都采用視頻方式保存。但當人們需要查找這些記錄時，面對大量涌現(xiàn)的數(shù)據(jù)，如何快速有效地從這些海量數(shù)據(jù)中檢索到感興趣的視頻信息，在高效率的現(xiàn)代社會中，已成為亟待解決的問題。傳統(tǒng)的視頻信息檢索辦法主要依靠人的記憶查找視頻內(nèi)容，并用文字描述出來。這種方式往往需要人直接參與查找所需的信息，主觀性強、速度慢、錯誤率高。特別是當視頻的數(shù)據(jù)量很大或任務緊迫時，采用這種傳統(tǒng)的方法將會碰到一些難以克服的困難。為了解決這一問題，近幾年出現(xiàn)了基于內(nèi)容的視頻分析和檢索[1]，并成為多媒體檢索中研究的熱點。

基于內(nèi)容的視頻檢索突破了傳統(tǒng)的基于文本檢索的局限，直接對多媒體圖像、音頻、視頻內(nèi)容進行分析，主要是用媒體對象的語義、視覺、聽覺和文本信息等特征，如圖像的顏色、紋理、形狀，視頻中的場景、鏡頭的運動，聲音中的音調(diào)、響度、音色等。由于基于內(nèi)容檢索的困難性和復雜性，大量的研究主要集中在視頻結構分析上，如視頻鏡頭分割、關鍵幀提取、視頻語義標注等，對視頻檢索方面的研究相對較少，而這部分常常是應用的關鍵。

同時，與人臉識別相關的技術也得到了長遠的發(fā)展，這使得基于內(nèi)容的視頻人臉檢索[2]成為可能?；趦?nèi)容的視頻人臉檢索作為基于內(nèi)容檢索的組成部分，有著巨大的商業(yè)前景和重要的學術價值。例如，當前，人臉識別在國家安全、金融、海關、民航、邊境和教育等領域均有應用，但是針對人臉檢索這種后臺識別的應用卻寥寥無幾；采用基于內(nèi)容的視頻人臉檢索技術，只需提供一張照片，就可以通過計算機自動檢索待檢測視頻中是否出現(xiàn)過目標人臉，大大節(jié)省了時間，提高了工作效率。本文提出了一種通過人臉圖像進行視頻檢索的方法，以滿足用戶對視頻中人臉檢索的需求。

近年來，與人臉相關的信息處理技術得到了長遠的發(fā)展，特別是人臉識別技術。但相對于人臉識別，人臉檢索的研究尚處于起步階段，市場應用寥寥無幾，關于視頻中人臉檢索的研究文獻并不多見，主要有Everingham等提出采用人臉聚類的方法[3]；Arandjelovic等[4]，Sivic等[5]就正面人臉提出視頻中人臉識別的方法。Everingham等[3]的方法只是簡單地使用膚色模型對正面臉進行處理；Arandjelovic等[4]提出去除背景信息、姿態(tài)調(diào)整和支持向量機檢測人臉。上述方法中都沒有考慮到單樣本人臉識別的問題，不可避免地造成人臉的漏檢。單訓練樣本的人臉識別是人臉識別中一種特殊卻非常實際的情況，即目標人臉只有一幅人臉圖像作為訓練的樣本。由于受姿態(tài)、表情、光照的影響，單樣本圖像往往無法代表所屬類別的所有特征，因此識別難度較大。本文采用奇異值分解方法解決單樣本人臉識別問題，并改進PCA算法使其有效地降低視頻條件下光照不均勻對人臉識別造成的影響，對若干視頻片段的實驗表明，本文方法在簡單背景的視頻環(huán)境下可以得到較準確的檢索結果。

2 視頻人臉檢索系統(tǒng)框架

視頻人臉檢索系統(tǒng)實現(xiàn)的功能是，用戶提供一張待檢測的人臉圖像及待檢測的視頻片段，經(jīng)由系統(tǒng)分析處理后，就可以在指定的視頻片段中檢索是否存在目標人臉。視頻是由連續(xù)的靜態(tài)圖像組成的，所以在視頻中檢索目標人臉可以看作是在靜態(tài)圖像庫中做人臉檢索，但不同的是，視頻中的幀在時間上有連續(xù)性，那么同一個人在連續(xù)的多幀圖像中都會出現(xiàn)，如果對每幀都進行人臉檢測，必然會影響檢測速度。為此系統(tǒng)需要有效地提取視頻幀，減少冗余。本文在進行視頻幀提取時采取了兩種方法，一種是隔幀取樣，另一種是關鍵幀提取，并在實驗中的第一部分展示了兩種方法對于視頻人臉檢索速度的影響。其中隔幀取樣是對待檢索視頻每隔固定幀數(shù)提取一個視頻幀；關鍵幀提取采用的是滑動窗口算法[6-7]實現(xiàn)的。

圖1所示為整個視頻人臉檢索系統(tǒng)的框架圖，包括人臉檢測和人臉檢索兩個部分：

（1）人臉檢測部分采用級聯(lián)自舉方法（Cascade AdaBoost）[8]，該方法是一個廣泛使用的人臉檢測方法，與其他算法相比，該算法在達到較高查全率時，檢測速度也有了實質性的提高。

（2）人臉檢索部分需要對檢測出的人臉進行預處理、特征提取及識別工作。靠傳統(tǒng)的PCA識別算法并不能很好地解決單樣本人臉檢索問題，并且傳統(tǒng)的PCA算法受光照條件變化等因素的影響較大，識別效果不是很好。本文在前人的研究基礎上針對光照問題，提出了一種改進的PCA算法，改進的PCA算法是在傳統(tǒng)的PCA算法中融合了局部均值和標準差的圖像增強處理算法，提高了識別時對人臉光照變化的魯棒性，并將其與奇異值分解相結合應用于視頻人臉檢索系統(tǒng)的設計中，實現(xiàn)了單樣本視頻人臉檢索。

3 人臉檢測

圖1 視頻人臉檢索系統(tǒng)框架圖

人臉檢測方法主要分為兩種類型：一類是基于局部特征的人臉檢測方法，文獻[9]利用膚色像素的連通性進行區(qū)域分割，采用橢圓擬合區(qū)域，然后根據(jù)橢圓的長短軸的比例判斷是否為人臉。文獻[10]根據(jù)色度的一致性和空間距離將膚色像素聚類成區(qū)域，接著歸并直到得到符合一定先驗知識的橢圓區(qū)域為止，最后檢查橢圓區(qū)域中是否存在由眼睛、嘴等形成的暗區(qū)域或空洞以確定是否為人臉。另一類是基于整體特征的人臉檢索方法。該方法通過搜集大量的人臉和非人臉樣本作為訓練集，用人工神經(jīng)網(wǎng)絡、支持向量機、Boosting等方法訓練分類器進行人臉檢測。這些方法大都集中在靜態(tài)圖片上，對光照比較敏感、對姿態(tài)和表情有一定局限性[11]。

視頻中人臉圖像的背景和人物活動都很復雜，表情沒有約束、分辨率低、正面人臉少。上述的人臉檢測方法顯得脆弱、不穩(wěn)定。但是，如果只是希望對正面人臉或0°～30°的偏向人臉做出準確率較高的檢測，對漏檢率不做限制，那么現(xiàn)有很多檢測算法都符合要求。本文采用Viola等提出的級聯(lián)自舉方法（Cascade AdaBoost）[8]，Viola等將大量的人臉和非人臉樣本作為訓練集，通過采用AdaBoost算法對樣本的Haar特征進行多輪訓練，將每輪挑選出的有利于判別人臉的Haar特征組成強分類器，并將這些分類器以“瀑布式”的結構級聯(lián)起來組成更強的人臉分類器。

本文采用OpenCV圖像處理庫里通過AdaBoost算法訓練好的分類器，在OpenCV 1.0平臺上實現(xiàn)了人臉檢測部分。本文從人臉檢測準確率和檢測時間兩方面設計了測試實驗，實驗結果如表1和表2。

表1 人臉檢測結果

表2 人臉檢測時間

通過以上實驗證明了該算法在達到較高的人臉查全率的同時檢測速度也較快，基本能夠滿足本文的視頻人臉檢索系統(tǒng)的應用需求。

4 人臉檢索

本文的視頻人臉檢索系統(tǒng)需要用戶提供一張包含人臉的圖像，然后由用戶選擇待檢索人臉，最后能夠在待檢索視頻片段中檢索是否存在目標人臉。這就涉及到單樣本人臉識別問題。所謂單樣本人臉識別，是指人臉識別算法是基于一個訓練樣本進行的。目前大多數(shù)人臉識別系統(tǒng)都是針對多個訓練樣本的，當有充分數(shù)量的具有代表性的訓練樣本時，能取得較好的識別效果，但是一些較為特殊的場合，如護照驗證、身份驗證等，只能得到一幅圖像，當只用一幅圖像去作為這些人臉識別系統(tǒng)的訓練樣本時，這些系統(tǒng)的識別率就會大打折扣，甚至是無效的。

目前單訓練樣本的人臉識別方法可以歸納為兩類：一是從單樣本圖像構造出新的圖像，形成多樣本，方法包括Zhao、Wen和Luo基于表情重建的獨立元素分析法[12]，Zhao、Su等提出的光照模擬方法[13]等；二是直接對單樣本圖像進行預處理，使得對識別有利的特征更為突出和易于提取，同時抑制次要信息和不利的信息，由于主分量分析（PCA）推廣性能比較好，目前出現(xiàn)了不少在它基礎上進行改進的單訓練樣本的人臉識別方法。

4.1 奇異值分解

針對單樣本人臉識別問題，樣本擴張法是使用最廣的方法之一，由此，本文通過奇異值分解來進行樣本擴張。奇異值是圖像的一種代數(shù)特征，代數(shù)特征表征了圖像的基本特性并且在一定范圍內(nèi)具有穩(wěn)定性。奇異值分解最早是由Lu[14]提出的，并通過實驗證實了其有效性，同時指出其具有穩(wěn)定性，比例不變性和旋轉不變性，對于圖像上較小的擾動，奇異值變化不大。他們認為圖像本身的灰度分布描述了圖像的內(nèi)在信息，反映了圖像的本質屬性。主要思路是將人臉圖像視為一個矩陣，通過對該矩陣進行奇異值分解得到奇異值特征。其原理為：假設I是一幅大小為N1×N2的灰度圖像，I的奇異值分解定義為：I=U∧VT，通過擾動I的奇異值產(chǎn)生的衍生人臉圖像P定義為：

其中，n為取值在1到2之間的實數(shù)，r為矩陣 I的秩，σ(σ0≥σ1≥…≥σr-1)是I的奇異值。得到衍生圖像后，將其和原圖像線性組合得到新的人臉圖像樣本。組合公式如下：

其中α為取值在0到1之間的結合系數(shù)。

由公式（1）可以看出奇異值分解是通過拉伸圖像的奇異值的對比度來實現(xiàn)的。圖像的奇異值分解在于增強圖像的大體信息，抑制一些無關緊要的冗余信息，這樣得出的新樣本對人臉識別有利的信息得到了增強，不利于識別的信息得到了減弱。

4.2 改進的PCA算法

作為一種經(jīng)典的、使用最廣泛的人臉識別方法，PCA[15]的提出在人臉識別研究領域獲得了巨大的成功，但傳統(tǒng)的PCA方法提取的是全局特征，因此受光照條件變化等因素的影響較大，使得在視頻中人臉的識別效果不是很好。為了克服光照對特征值的影響，在傳統(tǒng)PCA算法中融合了基于局部均值和標準差的圖像增強處理，使之對照明條件不敏感，即在進行特征提取之前，改進的PCA算法可以有效地降低光照不均勻對人臉識別所造成的影響，因為光照變化只會影響圖像的某些部分而不會影響全部圖像，從而拓展了PCA算法的應用條件。下面詳細說明融合了基于局部均值和標準差的圖像增強處理方法的改進PCA算法。

假設有一幅圖像，其灰度級在[0，L-1]之間，r表示該圖像灰度級上的離散隨機變量，p(ri)為灰度級是ri的出現(xiàn)概率，則整幅圖像的全局均值Eg即可表示為：

其中，i的取值范圍是 0≤i≤L-1。

由于一幅圖像的亮度可用圖像的均值度量，其對比度可用方差來度量，因此，通過對比全局均值Eg和局部均值Es，全局對比度和局部對比度，可以增強待處理圖像中較暗且對比度相對較低的區(qū)域，并且對圖像中已經(jīng)比較亮的區(qū)域不會造成影響。

假設待處理圖像中以點Q(i，j)為中心的 M×M 鄰域為S(i，j)，則這塊鄰域的均值，即局部均值可表示為：

公式中的x(i，j)是待處理圖像的灰度。

基于局部均值和標準差的圖像增強處理的具體步驟如下：

（1）確定圖像中較暗的區(qū)域。如果 Es＜k0Eg，k0是小于1的正常數(shù)，則表明該區(qū)域為該圖像中的較暗區(qū)域，需要進一步增強。

（2）確定圖像中對比度較低的區(qū)域。如果圖像中某區(qū)域的對比度過低，那么可認定該區(qū)域不含細節(jié)，不需要對其進行增強。因此，可假設圖像中待增強的低對比度區(qū)域是：k1σg＜σs＜k2σg，k1＜k2且 k1，k2均為小于1的正常數(shù)。

（3）對確定的區(qū)域進行灰度放大與對比度拉伸處理。通過之前的比較，可以得出輸出圖像點(i，j)的灰度值為[17]：

公式中，k0，k1，k2均為小于1的正常數(shù)，Es，σs為局部均值與標準差，Eg，σg為全局均值與標準差，λ為灰度放大系數(shù)，β，γ為對比度拉伸系數(shù)。該算法是通過局部均值與標準差來確定圖像中需要增強的區(qū)域（即低灰度和低對比度的區(qū)域），而且不會影響圖像中不需要增強的區(qū)域。

在PCA算法中結合基于局部均值和標準差的圖像增強處理，可以很好地突出人臉圖像中比較重要的部位（如眼睛、鼻子、嘴巴等），在人臉特征提取的過程中可以提取到更具鑒別性的人臉特征，提高人臉識別率，而且在很大程度上消除光照因素對人臉識別效果的影響，這正是視頻人臉檢索中需要解決的一個問題。

4.3 算法的具體實現(xiàn)步驟

本文的視頻人臉檢索算法具體實現(xiàn)步驟如下：

（1）樣本擴張。通過奇異值分解將用戶提供的單訓練樣本產(chǎn)生一個新的訓練樣本，然后和原樣本一起作為訓練樣本集。

（2）提取訓練樣本的特征向量。對樣本集求該人臉圖像的協(xié)方差矩陣和投影矩陣，并求其投影向量。

（3）圖像增強處理。對每一幅待檢索的人臉圖像和檢測出包含人臉的視頻幀，將其按4.2節(jié)描述的算法進行圖像增強處理。

（4）歸屬判別。本文采用最近鄰距離分類器，采用歐式距離作為判別參數(shù)，計算測試樣本與訓練樣本（待檢索人臉）的距離。

本文的視頻人臉檢索方法整個流程圖如圖2所示。

圖2 視頻人臉檢索流程圖

5 實驗結果與分析

由公式（7）可知，λx(i，j)是灰度放大部分，在實驗時，對公式（7）中的參數(shù)取值：k0=0.4，k1=0.01，k2=0.4，λ=3，β=1，γ=0.6。測試環(huán)境為CPU：Intel P8700 2.53 GHz，內(nèi)存：2 GB，操作系統(tǒng)：Windows Server 2003。該系要求圖像的格式為BMP或JPG，視頻為AVI格式。本文根據(jù)視頻的復雜程度選取了三個視頻片段對文中提出的方法進行人臉檢索測試，這三個視頻片段代表了三類測試集：

（1）簡單背景無壓縮的AVI視頻片段，人臉數(shù)目少于3個，測試集名稱為video1。采用的視頻片段是無壓縮的新聞聯(lián)播片段。

（2）簡單背景XVID編碼的AVI視頻片段，人臉數(shù)目少于3個，測試集名稱為video2。采用的視頻片段內(nèi)容和video1測試集一樣是同一個新聞聯(lián)播的片段，但該視頻片段是經(jīng)過壓縮處理的。

（3）復雜背景XVID編碼的AVI視頻片段，人臉數(shù)目多于10個，測試集名稱為video3。采用的視頻片段是經(jīng)典美劇《老友記》中的片段。

三類測試集描述如表3所示。

基于本文提出的方法，設計了一個視頻人臉檢索系統(tǒng)，界面如圖3所示。左上是選擇的待檢測圖像，左下是檢索的視頻片段，右下是檢索出的視頻幀。

實驗1檢索時間

表3 測試集描述

該部分實驗目的有兩個：一是測試影響檢索時間的因素；二是測試隔幀取樣和關鍵幀提取這兩種視頻幀提取方法哪個更有利于在實際中的應用，即哪個對于人臉檢索的時間更短。實驗中，對視頻每隔25幀提取一個視頻幀。該部分實驗選用vidoe1，video2和video3作為測試集。人臉檢索時間如表4所示。

圖3 視頻人臉檢索系統(tǒng)界面

表4 人臉檢索時間

由實驗結果可以看出，video1的檢索時間較video2的長，原因是vidoe2的視頻經(jīng)過壓縮處理，而video1是無壓縮的視頻格式，這樣在video1上檢索人臉時，每次采集視頻幀后都要進行解碼，花費了較多時間。由video2和video3比較得出，視頻片段的時間對檢索速度也有影響，視頻片段時間長的花費的檢索時間相對較長。所以，視頻是否經(jīng)過壓縮處理以及視頻片段的時長都對檢索時間有影響。此外，根據(jù)隔幀取樣和關鍵幀提取對于人臉檢索時間的影響可以看出，采用關鍵幀提取視頻幀的方法能大大減少人臉檢索的時間，因為關鍵幀提取可以有效地根據(jù)視頻片段特征來提取視頻幀，顯然要比隔幀取樣得到的視頻幀少，這樣有利于在實際中的應用。所以在之后的實驗中均采用關鍵幀提取的方法來進行視頻幀的提取。

實驗2查全率和查準率

測試背景的復雜程度對檢索結果產(chǎn)生的影響。該部分實驗選取video2和video3作為測試集，其中video2測試集中人臉數(shù)目少且背景單一，而video3測試集中人臉數(shù)目較多且背景較復雜。經(jīng)過實驗測試后，視頻人臉檢索的部分結果如圖4所示，從圖4中可以看出在video2測試集上測試的結果比video3測試集的結果準確。video2測試集中人臉的姿勢單一且沒有太大的變化，相反video3測試集中的人臉較多而且姿勢變換頻繁影響了檢索的效果，但是即便如此，本文提出的方法在video3中檢索出的視頻幀大多數(shù)是正確的。

根據(jù)以上檢索結果可以得出人臉檢索的查全率和查準率，如表5所示。

表5 人臉檢索的查全率和查準率

圖4 視頻人臉檢索部分實驗結果

實驗結果表明，在簡單背景下（video2）的查全率比復雜背景下（video3）的查全率較高，同時查準率方面，簡單背景（video2）的查準率較復雜背景（video3）的查準率較高。本文提出的方法對于簡單背景的視頻在保證高查全率的情況下也能保證較好的查準率，表明該方法的性能較好。

實驗3方法對比

測試本文改進的PCA算法和傳統(tǒng)的PCA算法在視頻人臉檢索方面的優(yōu)劣。該部分在視頻人臉檢索時分別采用文獻[15]的方法（傳統(tǒng)的PCA）和本文方法（改進的PCA）進行實驗，并對兩者進行了比較，實驗結果表明在視頻人臉檢索方面，本文的方法明顯優(yōu)于文獻方法。實驗采用video2和video3作為測試集。

從表6的數(shù)據(jù)中看出，本文方法在查全率和查準率方面有了進一步的提高。由于傳統(tǒng)的PCA算法提取的是全局特征，在進行特征提取之前，未對原始人臉樣本進行任何處理，因此，受光照條件變化的影響很大。而本文提出的方法在傳統(tǒng)的PCA算法中融合基于局部均值和標準差的圖像增強處理算法，增強人臉圖像的清晰度，突出人臉的重要面部器官的特征，再進行特征提取，從而有效降低了光照條件對人臉檢索的影響。該部分實驗結果表明了本文提出的方法在視頻人臉檢索方面的表現(xiàn)較好。

表6 文獻方法和本文方法對比（%）

6 結論

通過對PCA算法的改進，使其克服光照對人臉的影響，把奇異值分解與改進的PCA算法相結合，應用于單樣本視頻人臉檢索，從而提高了視頻中人臉檢索的查全率和查準率，比采用傳統(tǒng)的PCA方法進行視頻人臉檢索的效果較好，取得了很好的檢索效果。同時基于本文提出的方法，設計并實現(xiàn)了一個視頻人臉檢索系統(tǒng)。在今后的工作中，需要研究更穩(wěn)定的人臉特征提取算法，即使在復雜背景下也能達到理想的檢索效果，這將是進一步的研究重點。

[1]莊越挺，潘云鶴，吳飛，等.網(wǎng)上多媒體信息分析與檢索[M].北京：清華大學出版杜，2002.

[2]Ngo C W，Zhang H J，Pong T C.Recent advances in content based video analysis[J].International Journal of Image and Graphic，2001，1（3）：445-469.

[3]Everingham M，Zisserman A.Identifying individuals in video by combining“Generative”and discriminative head models[C]// Proceedings of the 10th IEEE International Conference on Computer Vision，Beijing，2005：1103-1110.

[4]Arandjelovic O，Zisserman A.Automatic face recognition for film character retrieval in feature-length films[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，San Diego，2005：860-867.

[5]Sivic J，Everingham M，Zisserman A.Person spotting：video shot retrieval for face sets[C]//Proceedings of International Conference on Image and Video Retrieval，Singapore，2005：226-236.

[6]徐興，楊祥.視頻檢索系統(tǒng)中的視頻片段自動檢測方法[C]//第十屆全國多媒體技術學術會議論文集，北京，2001：99-106.

[7]Sethi I K，Patel N V.A statistical approach to scene change detection[C]//Proc Storage and Retrieval for Image and Video Database III，1995，2420：329-339.

[8]Viola P，Jone M J.Robust real-time face detection[J].International Journal of Computer Vision，2004，57（2）：137-154.

[9]Yoo T W，Oh I S.A fast algorithm for tracking human faces based on chromatichistograms[J].Pattern Recognition Letters，1999，20（10）：967-978.

[10]Yang M H，Ahuja N.Detecting human faces in color images[J]. Image and Vision Computing，1999，18（1）：63-75.

[11]Zhao W，Chellappa R，Phillips P J，et al.Face recognition：a literature survey[J].ACM Computing Surveys，2004，35（4）：399-458.

[12]Zhao Jiali，Wen Jinwei，Luo Siwei.Face recognition：a facial action reconstruction and ICA representation approach[C]// ICII，2001：456-461.

[13]Zhao Jiali.Illumination ratio image：synthesizing and recognition with varying illuminations[J].Pattern Recognition Letters，2003，24：2703-2710.

[14]Lu C，Liu W，An S.Face recognition with only one training sample[C]//The 25th Chinese Control Conference，Harbin，China，2006：2215-2219.

[15]Turk M，Pentland A.Eigenface for recognition[J].Journal of Cognitive Neuroscience，1991，3（1）：71-86.

[16]Lee J S.Digital image enhancement and noise filtering by using local statistics[J].IEEE Trans on PAMI，1980，2（2）：165-168.

[17]張鋒，蔣一鋒，陳真誠，等.對一種新的基于局部標準差的自適應對比度增強算法的評價[J].光子學報，2003，32（8）：989-992.

奇異值分解和改進PCA的視頻人臉檢索方法

梁 斌，段 富

LIANG Bin,DUAN Fu

College of Computer Science and Technology,Taiyuan University of Technology,Taiyuan 030024,China

This paper presents a method for face retrieval in video stream based on SVD and improved PCA.The PCA is improved through local mean and standard deviation in order to overcome the effects of illumination.The AdaBoost is used to detect human faces in image and video.The training samples are increased by Singular Value Decomposition（SVD）.On the basis of the original and new samples,the algebra features are extracted by using improved Principal Component Analysis（PCA）.The features are compared through nearest neighbor classifier and the retrieval results are displayed to users.Experimental results show the method performs well in simple background videos.

face detection;single sample face recognition;Singular Value Decomposition（SVD）;Principal Component Analysis（PCA）;video-based face retrieval

針對視頻中人臉檢索問題，提出一種基于奇異值分解和改進PCA相結合的視頻中單樣本人臉檢索方法，其中通過融合局部均值和標準差的圖像增強處理來實現(xiàn)PCA算法的改進，從而克服光照對目標的影響。通過AdaBoost人臉檢測算法對人臉圖像和視頻進行人臉檢測；通過奇異值分解增加訓練樣本，在原樣本和新樣本的基礎上采用改進的PCA人臉識別算法提取待檢測人臉和視頻中的人臉代數(shù)特征；采用最近鄰分類器進行特征匹配，判斷視頻中檢測出的人臉是否為要檢索的目標人臉。實驗結果表明，該方法在簡單背景的視頻環(huán)境下可以較準確地檢索出目標人臉。

人臉檢測；單樣本人臉識別；奇異值分解；主分量分析；基于視頻的人臉檢索

A

TP391

10.3778/j.issn.1002-8331.1110-0196

LIANG Bin,DUAN Fu.Method for face retrieval in video using SVD and improved PCA.Computer Engineering and Applications,2013,49（11）：177-182.

山西省科技攻關計劃項目（No.20080322008）。

梁斌（1987—），男，碩士研究生，主要研究領域：圖像處理與模式識別；段富（1958—），男，博士，教授，研究領域：軟件開發(fā)環(huán)境與工具、軟件理論與算法。E-mail：bin.liang.ty@gmail.com

2011-10-12

2011-12-12

1002-8331（2013）11-0177-06

CNKI出版日期：2012-03-08 http://www.cnki.net/kcms/detail/11.2127.TP.20120308.1520.031.html