[发明专利]一种基于跟踪算法的较高纯度的人脸识别样本提取方法

说明书

本发明公开了一种基于跟踪算法的较高纯度的人脸识别样本提取方法，包括以下步骤：样本采集：预先采集部分现实场景视频，并且从该视频中提取部分图片，利用人工标记人脸矩形框，采集人脸样本数据；模型训练：将采集所得的人脸样本数据，进行训练YOLOv2网络；人脸识别：将YOLOv2网络作为人脸检测器进行人脸识别；IOU跟踪:用ROI对检测到的人脸进行跟踪，放入ROI TrackingPool中；分析保存：分析IOU TrackingPool中的物体，将符合要求的目标送入DSST跟踪器。本发明：通过基于跟踪算法的人脸识别样本提取方法，不仅可以用来提取待跟踪人脸，而且可以用来跟踪提取出来的跟踪目标，提取出的样本具有较高的纯度及可用价值，简单易行，计算效率高。

技术领域

本发明涉及计算机视觉技术领域，具体来说，涉及一种基于跟踪算法的较高纯度的人脸识别样本提取方法。

背景技术

目标跟踪，是通用单目标跟踪，第一帧给个矩形框，这个框在数据库里面是人工标注的，在实际情况下大多是检测算法的结果，然后需要跟踪算法在后续帧紧跟住这个框。目标视觉跟踪大家比较公认分为两大类：生成（generative）模型方法和判别（discriminative）模型方法，目前比较流行的是判别类方法，也叫检测跟踪。生成类方法，在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等。举个例子，从当前帧知道了目标区域80%是红色，20%是绿色，然后在下一帧，搜索算法就像无头苍蝇，到处去找最符合这个颜色比例的区域。判别类方法，CV中的经典套路图像特征+机器学习，当前帧以目标区域为正样本，背景区域为负样本，机器学习方法训练分类器，下一帧用训练好的分类器找最优区域。与生成类方法最大的区别是，分类器采用机器学习，训练中用到了背景信息，这样分类器就能专注区分前景和背景，所以判别类方法普遍都比生成类好。经典判别类方法推荐Struck和TLD，都能实时性能还行，Struck是2012年之前最好的方法，TLD是经典long-term的代表，目前，比较流行的是相关滤波和深度学习。相关滤波类方法correlation filter简称CF，也叫做discriminative correlation filter简称DCF。目前比较流行，代表有DSST，KCF等。精度与速度都比较高。相比之下，基于深度学习的跟踪算法，如GOTURN，普遍速度较慢，无法在工业上应用。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于跟踪算法的较高纯度的人脸识别样本提取方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于跟踪算法的较高纯度的人脸识别样本提取方法，包括以下步骤：

样本采集：预先采集部分现实场景视频，并且从该视频中提取部分图片，利用人工标记人脸矩形框，采集人脸样本数据；

模型训练：将采集所得的人脸样本数据，进行训练YOLOv2网络；

人脸识别：将YOLOv2网络作为人脸检测器进行人脸识别；

IOU跟踪: 用ROI对检测到的人脸进行跟踪，放入ROI TrackingPool中；

分析保存：分析IOU TrackingPool中的物体，将符合要求的目标送入DSST跟踪器；

特征保存：将DSST TrackingPool中的每个跟踪物体的图片及坐标匹配放入对应文件夹中进行特征信息保存。

进一步的，所述分析保存，包括以下步骤：

样本重复检测：分析ROI TrackingPool中符合尺寸要求的且正在运动的新物体是否与DSST中正在跟踪的物体重复；