基于改进HopeNet的头部姿态估计方法

针对基于无需先验知识的头部姿态估计算法在复杂背景图像和多尺度图像场景下精度较差的问题,提出了一种基于改进HopeNet的头部姿态估计方法。首先在主干网络结构上增加特征融合结构使得模型能够充分利用网络的深层特征信息与浅层特征信息,提升模型的特征解析力;然后在主干网络的残差结构中增加特征压缩激励模块,使得网络能够自适应学习不同特征层重要程度的权重信息,让模型更加关注目标信息。实验结果表明,相较于HopeNet,本文方法在AFLW2000数据集上精度提升了31.15%,平均误差降到4.20°,同时在复杂背景图像场景下有较好的鲁棒性。

基于卡尔曼滤波和随机回归森林的实时头部姿态估计

头部姿态估计在许多高层次的人脸分析任务中起着至关重要的作用,然而准确鲁棒的头部姿态估计仍然是具有挑战性的.针对当前流行的Kinect,提出一种基于卡尔曼滤波和随机回归森林的准确头部姿态估计方法.首先使用卡尔曼滤波在深度图中预测头部的位置,并在预测区域内采样深度块;然后将采样深度块通过已训练的随机回归森林进行头部姿态估计,并将姿态估计值作为卡尔曼滤波的测量值;最后利用卡尔曼滤波结合预测值和测量值得到最终的头部姿态估计参数.实验结果表明,与现有的随机森林算法相比,该方法具有更快的速度、更好的鲁棒性和更高的准确率.

基于树结构分层随机森林在非约束环境下的头部姿态估计

头部姿态估计是人类行为和注意力的关键,受到光照、噪声、身份、遮挡等许多因素的影响。为了提高非约束环境下的估计准确率和鲁棒性,该论文提出了树结构分层随机森林在非约束环境下的多类头部姿态估计。首先,为了消除不同环境的噪声影响,提取人脸区域的组合纹理特征,对人脸区域进行积极人脸子区域的分类,分类结果作为树结构分层随机森林的先验知识输入;其次,提出了一种树结构分层随机森林算法,分层估计多自由度下的头部姿态;再次,为了增强算法的分类能力,使用自适应高斯混合模型作为多层次子森林叶子节点的投票模型。在多个公共数据集上的多种非约束实验环境下进行头部姿态估计,最终实验结果表明所提算法在不同质量的图像上都有很好的估计准确率和鲁棒性。

融合二阶HOG与CS-LBP的头部姿态估计

针对头部姿态估计受光照变化、表情、噪声干扰等因素影响导致识别率低的问题,提出一种融合二阶梯度方向直方图(HOG)和中心对称局部二值模式(CS-LBP)特征的姿态特征,用于单帧图像的头部姿态估计。采用二阶HOG对人脸图像进行形状信息提取,得到人脸的轮廓特征;用CS-LBP进行局部纹理信息的提取,通过将二阶HOG提取的轮廓特征和CS-LBP提取的纹理特征进行融合,得到更有效的人脸特征;将融合的姿态特征通过核主成分分析(KPCA)变换非线性映射到高维核空间中,抽取其主元特征分量,采用支持向量机(SVM)分类器进行姿态估计。实验结果表明,方法和HOG、LBP、二阶HOG、CS-LBP方法相比有更高的分类准确率,对光照的变化有很好的鲁棒性。

利用图像距离的监督LLE头部姿态估计方法

局部线性嵌入(LLE)是一种经典流形学习方法,直接应用这种非监督的传统LLE估计图像中的头部姿态存在两点不足:未考虑图像像素空间信息和未利用样本标记信息.因此,本文结合图像欧式距离和偏置LLE流形学习方法,对头部姿态图像降维,并通过广义回归神经网络(GRNN)和多元线性回归的方法,估计头部图像的姿态.在FacePix头部姿态数据库的对比实验表明,本方法具有较好的头部姿态估计效果.

EPNP和POSIT算法在头部姿态估计上的实验比较与分析

单目视觉下的头部姿态估计问题就是利用单个相机获取的头部图像或视频信息来估计其姿态,即估计3个旋转角:俯仰角(pitch)、偏航角(yaw)和翻滚角(roll).本文进行了大量的模拟实验和真实实验,从噪声、点数、实时性等角度详细对比分析了2种通用的姿态估计算法EPNP和POSIT在头部姿态估计中的应用,结果表明POSIT算法在精度上略逊于EPNP算法,但前者在速度上具有较显著的优势,因此在实际问题中,需要在速度和精度上进行权衡来选择合适的算法.

基于RGBD的实时头部姿态估计

实时的头部姿态估计在人机交互和人脸分析应用中起着至关重要的作用,但准确的头部姿态估计方法依然具有一定的挑战性。为了提高头部姿态估计的准确性和鲁棒性,将基于几何的方法与基于学习的方法相结合进行头部姿态估计。在人脸检测和人脸对齐的基础上,提取彩色图像几何特征和深度图像的局部区域深度特征,再结合深度块的法线和曲率特征,构成特征向量组;然后使用随机森林的方法进行训练;最后,所有决策树进行投票,对得到的头部姿态高斯分布估计进行阈值过滤,进一步提高模型预测的准确度。实验结果表明,该方法与现有的头部姿态估计方法相比,具有更高的准确度及鲁棒性。

头部姿态估计技术研究综述

视频头部姿态实时估计研究缺乏系统、详尽的综述性成果,文章针对当前国内外此方面的研究情况,首先介绍头部姿态估计的基本问题及主流方法,然后对每种方法进行性能的比较,围绕视频头部姿态实时估计方法展开分析,并对头部姿态的三维图像深度进行系统的分析及阐述.

辅助驾驶系统中驾驶员头部姿态估计关键问题研究

智能交通系统中对驾驶员的行为监测具有重要的研究价值,针对驾驶员的头部姿态监测问题进行研究,实现基于计算机视觉的动态头部姿态估计算法。算法首先检测视频中的正面人脸,并作为基准,在此基础上对视频序列中人脸特征进行匹配与跟踪,计算不同视角下的头部姿态角度。考虑累计误差的影响,提出一种矫正累积误差的方法。实验表明算法可以较准确地估计视频中的驾驶员头部姿态角度。

基于随机森林的实时头部姿态估计方法

本文设计了一个基于随机森林方法的实时头部姿态估计系统。将头部姿态估计问题转化成一个分类问题,标记正负样本集,采用样本加分类标签的形式进行训练,结合随机森林回归方法估计头部姿态。

基于面部特征点定位的头部姿态估计

头部姿势估计在许多智能系统中是检测身份和理解行为的关键,但其受光照变化、遮挡、分辨率等因素影响较大。针对彩色二维图像的头部姿态估计方法准确率不高的问题,在分析现有的头部姿态估计方法的基础上,提出一种基于面部特征点定位的头部姿态估计方法。将Adaboost算法和椭圆肤色模型相结合,用于检测人脸,并准确获得图片中的人脸区域。利用Hough圆检测方法定位眼睛和鼻孔,利用人眼和鼻孔的位置信息,将眼睛、鼻子定位结果与正脸头部姿态中的眼睛、鼻子进行对比,从而对不同的头部姿态进行粗估计。实验结果表明,该方法能识别正脸以外的6种不同的头部姿态,总体准确率达到93.53%。

基于分类的头部姿态估计算法的研究

阐述了基于分类的头部姿态估计算法的基本原理,提出了在特定条件下的两种分类姿态估计方法,并且分析了这两类方法的优缺点。

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。

遮挡与几何感知模型下的头部姿态估计方法

头部姿态估计在人机交互、辅助驾驶等应用中起重要作用,但因受到光照变化、部分遮挡、不同面部外观差异等因素的影响,导致头部姿态估计的准确率不高。提出一种基于遮挡和几何感知模型的头部姿态估计方法,在预处理阶段采用多任务卷积神经网络进行人脸检测,减小背景环境的干扰,并进行图像增强操作以减小光照变化带来的影响。设计面部遮挡感知网络感知人脸的遮挡区域,从而提取信息量丰富的未遮挡面部特征。为充分利用面部的几何信息,采用堆叠胶囊自编码器对人脸各部分的姿态和位置进行编码,得到面部各部分间的几何关系。实验结果表明,该方法在AFLW2000数据集和BIWI数据集上的平均绝对误差分别为3.91和3.55,能有效提高头部姿态估计准确率,在复杂环境下的鲁棒性较好。

基于局部二值特征和BP神经网络的头部姿态估计

针对头部姿态估计(HPE)通常会受到人脸姿态、表情和遮挡以及特征提取不准确等因素影响导致识别率不高的问题,提出一种鲁棒的头部姿态估计方法。生成局部二值特征(LBF),通过训练随机森林回归出人脸68个关键特征点提取模型,结合反向传播(BP)神经网络训练分类器识别头部姿态。在CASPEAL-R1和Pointing’04数据集上的实验结果表明:所提方法的头部姿态估计准确率达到了98. 57%,平均绝对误差为3. 90°,解决了人脸关键特征点定位不准确的问题,进一步提高了头部姿态的识别精度。

基于改进LPP的头部姿态估计方法

针对无监督局部保持投影算法在头部姿态估计上的高误差性和对噪音的敏感性的问题,提出一种鲁棒的局部保持投影算法。其基本出发点是先对训练的头部姿态加以姿态标注,并获得各个头部姿态间的偏置距离,再对所有头部姿态样本点进行异常值的度量,训练出较好的线性映射矩阵。实验结果表明,改进的方法比传统的LPP在头部姿态估计上取得较好的效果。

驾驶人头部姿态估计研究

本文从车辆的主动安全角度出发,利用机器视觉方法对驾驶人头部绕X转动、绕Y轴转动角度的估计进行了研究,采用特征三角形模型估计这二个自由度中的头部姿态参数。首先利用Adaboost算法训练人脸分类器,进行人脸检测;然后利用人脸器官的几何关系进行特征点(眼睛、鼻孔和人嘴中心点)定位,得到特征点的中心点坐标;再建立基于特征三角形的头部姿态估计模型,进行头部的姿态参数的估计。

基于深度学习的头部姿态估计

头部姿态估计在人工智能、模式识别及人机智能交互等领域应用广泛。好的头部姿态估计算法应对光照、噪声、身份、遮挡等因素时鲁棒性较好,但目前为止如何提高姿态估计的精确度与鲁棒性依然是计算机视觉领域的一大挑战。提出了一种基于深度学习进行头部姿态估计的方法。利用深度学习强大的学习能力,对输入的人脸图像进行一系列的非线性操作,逐层提取图像中抽象的特征,然后利用提取的特征进行分类。此类特征在姿态上具有较大的差异性,同时对光照、身份、遮挡等因素鲁棒。在CAS-PEAL数据集上对该方法进行了评估实验。实验结果表明,该方法有效地提高了姿态估计的准确性。

基于深度学习的头部姿态估计方法研究

学生的头部姿态在一定程度上可以反映学生的学习状态,研究智慧课堂环境下的头部姿态估计对教师提高课堂教学效果具有重要意义。为了无介入的量化估计学生上课的头部姿态,提出并设计了基于深度学习的头部姿态估计方法。创新结合MTCNN(multi-task cascaded convolutional networks)和SDM(Supervised Descent Method),获取人脸图像中的68个特征点,再根据特征点使用PnP(Perspective n Point)估计头部姿态。实验结果表明,该算法的准确率达到了预期效果,较好实现了预期目标。

基于深度学习的手术机器人单目视觉患者头部姿态估计

患者头部姿态估计技术是神经外科手术机器人自主化与智能化感知的关键技术之一。本研究利用基于数据驱动的深度学习方法帮助神经外科手术机器人估算患者头部姿态,为神经外科手术的智能化打下基础。首先,建立患者头部姿态估计任务的基本数学关系;其次,给出一种高效、鲁棒的头部姿态标注方法,解决面部特征缺失情况下的2D头部图像姿态标注问题;之后,通过采集机器人视角下神经外科手术场景照片,构建共包含79个手术场景、合计4301张照片的患者头部姿态估计数据集;最后,研究HopeNet深度神经网络在患者头部姿态估计问题上的适用性,并通过分布式标签、头部区域自适应裁剪、旋转数据增强以及新提出的旋转速率损失函数等方法提高模型性能。进行网络训练和评价,在包含10个手术场景、386张照片的同源测试集1上,基于单视角的姿态估计在偏航角、滚动角、俯仰角等3个方向平均可以达到±12.76°的预测误差;在8个手术场景、229张照片的异源测试集2上,在上述3个方向平均可以达到±13.41°的预测误差。结果表明,提出的模型能准确估计患者头部姿态,且提出的优化方法可以有效提升算法精度,并提高模型的泛化能力。