视频监控场景下基于深度学习的多人脸跟踪

李荔 瞿洪桂 高珊珊

（1.国家信息中心软件评测中心 北京市 100000 2.北京中电兴发科技有限公司 北京市 100095）

1 前言

人脸跟踪是对视频中出现的人脸进行位置轨迹的连续定位。在视频监控的人脸抓拍任务中，常常通过对画面中同一人脸进行跟踪，并选择跟踪轨迹中质量较好的一帧或多帧进行抓拍，来避免对同一人脸进行重复抓拍。

人脸跟踪算法通常借鉴多目标跟踪算法，并将其中的目标限定为人脸。主流的多目标跟踪算法是基于检测的跟踪，包括目标检测、表观或运动特征提取、相似度计算、匹配关联四个阶段[1]。基于检测的跟踪以Alex 等[2]提出的SORT 和Nicolai 等[3]提出的DeepSORT 为代表，基于卡尔曼滤波[4]来进行目标的运动信息预测，使用匈牙利匹配算法[5]进行目标和轨迹的匹配关联。基于深度学习的端到端的多目标跟踪算法将四个阶段的其中几个进行融合，如Zhongdao 等[6]通过修改YOLOv3 网络同时进行目标检测并输出对应的深度特征；Yifu[7]也做了类似的工作但速度更快；ShiJie 等[8]以端到端的方式学习目标物体的外观特征以及在若干帧内的关联性。

在人脸跟踪任务上，周平平等[9]基于粒子滤波算法进行跟踪，自适应融合人脸肤色和边缘特征；李澎林等[10]使用HOG 算子进行人脸检测，使用人脸关键点作为输入提取深度特征辅助跟踪；田雄[11]等使用背景建模检测运动区域，使用哈尔特征检测人脸，结合CamShift 算法进行人脸跟踪。

这些方法多使用传统方法进行人脸检测，检测结果不够精确，同时使用非深度特征进行外观描述，区分性较差。……