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。

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。

多阶段特征融合的三支流头部姿态估计算法

针对现有的头部姿态估计算法在复杂场景下实时性较差、识别率较低的问题,提出了一种多阶段特征融合的三支流头部姿态估计算法。该算法具有多级输出的结构,用三条不同类型的网络分别对输入图像进行特征提取,并且每条支流上都有三个阶段,每一阶段只需要细化前一阶段的特征,相同阶段提取出的特征图经过特征融合模块来生成特征映射,有效避免了特征丢失问题;特征提取模块选择Ghost模块作为特征提取网络,利用模型压缩,使之在保证网络精度的同时减少网络参数和计算量;为提取出重要性更强的有效特征,引入高效通道注意力模块ECA-Net,从而提升头部姿态估计的准确性。实验结果表明,所提算法在AFLW2000数据集和BIWI数据集上均取得优异的性能,对比当前诸多头部姿态估计方法,模型大小仅为0.55MB,在AFLW2000和BIWI数据集上的MAE分别降低至4.68和3.59。

基于AlphaPose模型的远距离行人头部姿态估计算法

在公共场所的监控视频中,远距离的行人目标头部区域占比往往较小并且头部区域分辨率较低,仅靠目标检测算法和头部姿态估计模型检测并分类头部特征来判定头部姿态或注视方向存在较大难度.考虑到目前不同分辨率下的人体骨骼关键点估计算法越来越成熟,本研究提出一种利用骨骼关键点和头部姿态之间的关系来进行远距离行人的头部姿态估计算法.该算法首先利用AlphaPose模型检测出二维人体骨骼关键点的全局坐标值,然后根据部分骨骼关键点的坐标值计算出头部朝向象限角度,最后根据预设角度范围计算并可视化出视线落点.目前,尚没有公开发布的可用于远距离行人头部姿态估计的数据集,因此本文建立了一个远距离行人头部姿态系统,以对现有的数据集进行标注,并利用标注的数据集对提出的方法进行测试.结果表明,本文提出的算法可以较精准地判定到远距离行人的头部姿态和注视方向,准确率达到69.7%.

基于改进ResNeSt的头部姿态估计方法

针对单目RGB图像进行头部姿态估计精度不高的问题,提出了一种具有尺度平移不变性的改进ResNeSt方法。该方法以卷积神经网络ResNeSt作为主干网络;为增强卷积网络对尺度平移的鲁棒性,参考传统图像处理方法,集成模糊滤波器于卷积网络降采样过程;最后引入多任务学习,将网络提取的特征图输出到混合角度分类分支,提升卷积网络分类精度。在公开数据集验证,结果表明,提出方法的头部姿态估计误差降低了18%,且在CPU上检测速度为0.075秒/张,具备较好的实时检测性能。

基于残差网络的实时头部姿态估计方法研究与应用

头部姿势估计是使用计算机视觉和模式识别技术来推断数字图像中人体头部转动方向的过程,文章提出的改进后的基于残差网絡的头部姿态估计模型在人脸检测模块的VGG16网络不同大小的卷积层后面加入了3个小检测模块,每个小检测模块都会进行检测和分类处理,间接实现了多尺度的人脸检测;在欧拉角的计算过程中融入回归和分类损失,利用交叉熵损失和均方差损失来计算模型估计的欧拉角,可以有效提高欧拉角的预测精度,从而提高头部姿态估计的准确率,使其在应用中得到更加有效的结果。

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。

基于头部姿态分析的摄像头视线追踪系统优化

实时视线跟踪技术是智能眼动操作系统的关键技术。与基于眼动仪的技术相比,基于网络摄像头的技术具有低成本、高通用性等优点。针对现有的基于摄像头的算法只考虑眼部图像特征、准确度较低的问题,提出引入头部姿态分析的视线追踪算法优化技术。首先,通过人脸特征点检测结果构建头部姿态特征,为标定数据提供头部姿态上下文;然后,研究了新的相似度算法,计算头部姿态上下文的相似度;最后,在进行视线追踪时,利用头部姿态相似度对校准数据进行过滤,从标定数据集中选取与当前输入帧头部姿态相似度较高的数据进行预测。在选取不同特征人群的数据上进行了大量实验,对比实验结果显示,与WebGazer相比,所提算法的平均误差降低了58~63 px。所提算法能有效提高追踪结果的准确性和稳定性,拓展了摄像头设备在视线追踪领域的应用场景。

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.

基于人脸3D模型的驾驶人头部姿态检测

为对驾驶过程中的驾驶人注意力分散行为实施监控和预警,提出了一种基于人脸3D模型的驾驶人头部姿态检测方法。该方法使用ASM算法与ASEF算法定位驾驶人的正面人脸;在此基础上,基于通用人脸3D模型与正面人脸计算当前驾驶人的人脸3D模型;以正面人脸3D模型为姿态度量的基准,运用Pn P算法实时解算驾驶人的头部姿态,并进行姿态有效性判别;同时提出了一种特征点更新的方法,以提高姿态解算的鲁棒性。实验结果表明,该方法能够在驾驶室环境中有效检测出驾驶人的头部姿态。

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。

光学头部姿态跟踪的多传感器数据融合研究

精确的头部姿态跟踪是室内增强现实系统实现高精度注册的关键技术之一.本文介绍了使用传感器数据融合原理实现高精度的光学头部姿态跟踪的新方法.该方法使用多传感器数据融合中的扩展卡尔曼滤波器和融合滤波器,将两个互补的单摄像机Inside-out跟踪和双摄像机Outside-in跟踪的头部姿态进行数据融合,以减小光学跟踪传感器的姿态误差.设计了一个典型实验装置验证所提出的算法,实验结果显示,在静态测试下的姿态输出误差与使用误差协方差传播法则计算得到的结果是一致的;在动态跟踪条件下,与单个Inside-out或Outside-in跟踪相比,所提出的光学头部姿态数据融合算法能够使跟踪器获得精度更高、更稳定的位置和方向信息.

高精度鲁棒的座舱头部姿态跟踪器研究

针对复杂座舱环境设计了一个由inside-out(IO)光学跟踪器和outside-in(OI)光学跟踪器组成的新型座舱头部跟踪器.提出一种新颖的混合跟踪算法,利用扩展卡尔曼滤波器和融合滤波器融合座舱跟踪器中IO跟踪器和OI跟踪器的姿态信息,建立了实验装置验证提出的姿态融合算法.初步实验结果显示,与单一IO或OI跟踪器相比,该混合跟踪算法能够使座舱头部跟踪器获得更精确、更稳定、更鲁棒的位置方向信息.验证了所设计的座舱头部姿态跟踪器的结构合理性和所提出的混合跟踪算法的有效性.

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。

动车运行驾驶员头部姿态图像特征识别仿真

对动车运行驾驶员头部姿态图像的特征进行识别,能够有效提高动车运行时驾驶员的安全系数。对头部姿态图像特征的识别,需要建立头部旋转姿态模型,估计头部姿态,完成头部姿态图像特征识别。传统方法首先获得全局姿态标签,定位特征点,但忽略了估计头部姿态,导致识别精度低。提出鼻子眼睛作为定位点进行动车运行驾驶员头部姿态图像特征识别方法。定位特征点以适应大角度偏转,计算旋转角度,建立头部旋转姿态模型,估计头部姿态,实现动车运行驾驶员头部姿态图像特征识别。实验结果表明,hhsy方法有效提高了动车运行时驾驶员的安全系数。

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.

基于RGB-D图像的头部姿态检测

在经颅磁刺激治疗过程中,准确且快速地检测人体头部姿态至关重要。针对基于二维彩色图像的头部姿态估计对环境、姿态敏感的问题,文中提出了一种联合彩色图像与深度图像的头部姿态检测方法。通过彩色图像检测人脸特征点的二维位置信息,结合深度信息定义三维头部坐标系;然后在现有的ICP点云配准算法的基础上,提出了一种粗配准方法。通过计算待检测头部点云与标准头部点云之间坐标系的变换关系得到初始位姿参数,以防止点云配准陷入局部最优局面。实验表明,该算法能够在光源均匀且充足的诊疗室环境中准确地检测人体头部姿态,提高头部姿态角度大时姿态估计的鲁棒性。