基于表观的归一化坐标系分类视线估计方法

视线估计能够反映人的关注焦点,对理解人类的情感、兴趣等主观意识有重要作用。但目前用于视线估计的单目眼睛图像容易因头部姿态的变化而失真,导致视线估计的准确性下降。提出一种新型分类视线估计方法,利用三维人脸模型与单目相机的内在参数,通过人脸的眼睛与嘴巴中心的三维坐标形成头部姿态坐标系,从而合成相机坐标系与头部姿态坐标系,并建立归一化坐标系,实现相机坐标系的校正。复原并放大归一化得到的灰度眼部图像,建立基于表观的卷积神经网络模型分类方法以估计视线方向,并利用黄金分割法优化搜索,进一步降低误差。在MPIIGaze数据集上的实验结果表明,相比已公开的同类算法,该方法能降低约7.4%的平均角度误差。

动基座视觉双惯性姿态测量数据融合方法研究

由于视觉传感器与惯性传感器的高度互补性,视觉和惯性融合是一种常见的姿态测量手段。随着机载、车载等仪器设备的迅速发展,传统静止基座下的姿态测量已无法满足一些实际应用场景的需求。由于受到基座运动信息的干扰,很难对动基座上的目标物进行准确、快速的姿态测量。为了发挥视觉和惯性融合的优势,并实现动态基座下的目标物相对姿态测量,提出了一种基于单目视觉与双陀螺仪的姿态测量系统。分析了测量系统中坐标系的建立以及坐标系之间相对关系,提出了坐标系归一化方案,并利用容积卡尔曼滤波对视觉和惯性结果进行融合,实现了高精度、大范围、快速、稳定的姿态测量。在搭建的视觉和惯性融合姿态测量系统平台上进行了实验验证,结果证明该系统坐标系归一方案与融合算法的有效性。实验结果表明,所搭建系统具有较高的准确度,融合后的俯仰角和方位角的均方根误差(RMSE)均不超过0.1°。