视频人脸不像飞机、汽车等机器那样有固定的形状,它的五官、毛发,极容易发生变化,因而具有非线性、非高斯、多模态特性,粒子滤波算法很好地解决了此类问题的状态估计。在实际的人脸跟踪中,人脸肤色与背景色彩相近、姿态变化、遮挡、相机抖动等复杂背景因素增加了人脸跟踪的难度,因此研究出一种利用粒子滤波方法实现实时、鲁棒的人脸跟踪将面临很大的挑战。本论文主要完成以下工作:(1)粒子滤波算法在选取重要性概率密度函数时具有盲目性以及重采样时易产生贫化现象,针对这两个难题,提出了一种基于高斯-厄米特的遗传粒子滤波算法。此算法用一簇高斯-厄米特滤波器来产生重要性概率密度函数,该概率密度在系统状态的转移概率的基础上融入了系统最新的观测数据,因此更接近系统状态的后验概率。同时,本算法利用遗传算法进行粒子重采样以保证粒子的多样性,而且只需要很少的粒子就能实现精确跟踪。此改进算法提高了状态预估的精度,提高了算法的鲁棒性。(2)视频图像的背景很复杂,如光照变化、人脸旋转和尺度变化以及人脸被遮挡等对跟踪效果产生不可忽视的影响,基于颜色特征的方法易跟丢人脸目标。本论文在算法中加入了边缘特征,与此同时提出了一种有效的融合系数计算方法,自适应融合人脸的颜色特征和边缘特征,使目标特征具有良好的鲁棒性和有效性。通过理想似然观测峰分布获得最大的似然观测值,从而得出最接近真实目标状态的估计;通过自适应调整各特征的特征权重,自适应融合人脸颜色特征和边缘特征,增强了观测效果,使其在目标跟踪过程中具有了自适应能力。另外在跟踪过程中,随着目标自身形变,自适应更新人脸目标模板。此方法具有抗背景干扰能力,能够鲁棒地跟踪到光照变化、类肤色、遮挡等复杂背景下的人脸目标。本论文试图解决人脸目标跟踪过程复杂背景导致跟踪精度差的问题,在改进的粒子滤波算法中融入光线补偿、积分直方图运算,大大地提高了算法速度。