基于多特征融合的头部姿态估计方法研究
发布时间：2021-10-02 04:05
随着人工智能与生物识别技术的飞速发展,头部姿态变化所包含的丰富信息在生活中广泛应用于疲劳驾驶、辅助临床诊断、人体行为分析等领域,有巨大的研究价值和应用价值。但实际生活中,诸多不确定因素都将对头部姿态估计的结果造成影响,如光照的明暗变化、夸张的表情动作等。因此,本文主要对头部姿态估计方法开展研究。在论文中,采用了一种基于多特征融合的头部姿态估计方法,主要工作如下:1.对多姿态人脸检测方法开展研究。采用了一种基于Adaboost改进的多姿态人脸检测方法。首先在Adaboost算法基础上,采用一种改进的级联分类器结构用于多姿态人脸检测,以此来提高多姿态下的人脸检测率。然后在其结果上,通过建立肤色模型进行待判人脸的过滤、筛选,从而有效的降低误检率。与同类别的人脸检测方法相比,该方法对多姿态人脸具有更高的检测率。2.对特征提取方法开展研究。针对单一人脸姿态特征用于头部姿态估计造成信息不足的缺点,本文在特征提取阶段采用了多特征融合的方法。其主要思想是:基于梯度直方图特征基础上,提取人脸图像的二阶梯度直方图特征;同时,对人脸图像提取等价局部二值模型特征;最后对提取到的两种特征进行特征融合,从而构建一...
【文章来源】：重庆邮电大学重庆市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
Haar特征示意图
重庆邮电大学硕士学位论文第2章多姿态人脸检测15图2.7改进Adaboost检测部分实现流程由图2.7所示，根据上述章节分析的Adaboost人脸检测理论，首先对人脸样本和非人脸样本进行训练，得到强分类器，最后生成多姿态级联分类器对输入的待检测人脸图像进行检测。若图像中有人脸便用矩形框标记，其检测效果如图2.8所示。(a)单人人脸(b)多人人脸(c)出现误检图2.8多姿态人脸检测效果由检测结果可知，运用改进后的Adaboost算法进行人脸检测，可以快速检测到人脸图像中的多姿态人脸，具有较好的检测效果。但是，同时也存在一些非人脸区域被检测为人脸的情况，因此，需要在Adaboost检测结果上进行进一步的人脸筛眩多姿态人脸样本非人脸样本训练弱分类器选取最优弱分类器，用Adaboost训练强分类器级联多个强分类器，构建多姿态级联分类器训练部分检测部分待检测人脸图像遍历所有子窗口多姿态级联分类器确定人脸窗口显示检测结果
重庆邮电大学硕士学位论文第2章多姿态人脸检测17图2.9肤色椭圆模型2.人脸筛选根据上述的椭圆肤色模型对基于Adaboost算法检测到的待判人脸图像进行排除、筛选，排除误检的非人脸区域，在这过程中同样希望计算量能尽可能校因此，本文选用肤色占比验证方法，即通过不同姿态下的人脸中肤色所占比例的关系来进行筛眩本文设置正常人脸的正脸肤色占比为50%-70%，侧脸肤色占比为40%-60%。2.3.3算法步骤基于此，本文的多姿态人脸检测的算法流程如图2.10所示，具体的算法步骤如下：(1)采集大量的正样本图像和负样本图像，对人脸样本图像进行训练；(2)运用改进的Adaboost算法进行多姿态人脸检测；(3)建立肤色模型，对步骤2中得到的检测结果进行进一步的人脸排除与筛选，得到最终的多姿态人脸检测结果。图2.10改进的多姿态人脸检测算法流程人脸样本训练多姿态人脸检测人脸筛选人脸检测结果待检测图像
【参考文献】：
期刊论文
[1]基于面部特征点定位的头部姿态估计[J]. 闵秋莎,刘能,陈雅婷,王志锋. 计算机工程. 2018(06)
[2]基于卡尔曼滤波和随机回归森林的实时头部姿态估计[J]. 李成龙,钟凡,马昕,秦学英. 计算机辅助设计与图形学学报. 2017(12)
[3]一种基于深度卷积网络的鲁棒头部姿态估计方法[J]. 桑高丽,陈虎,赵启军. 四川大学学报(工程科学版). 2016(S1)
[4]支持向量机的算法及应用综述[J]. 张松兰. 江苏理工学院学报. 2016(02)
[5]融合YCbCr肤色模型与区域标记的人脸检测算法研究[J]. 杨恒,张再军,杨东,张儒良. 软件导刊. 2016(02)
[6]基于LBP金字塔特征的头部姿态识别[J]. 戴惟嘉. 信息化研究. 2016(01)
[7]头部姿态估计技术研究综述[J]. 陈书明,陈美玲. 泉州师范学院学报. 2015(06)
[8]基于自适应线性回归的头部姿态计算[J]. 郭知智,周前祥,柳忠起. 计算机应用研究. 2016(10)
[9]基于加权局部梯度直方图的头部三维姿态估计[J]. 崔汪莉,卫军胡,纪鹏,刘哲. 西安交通大学学报. 2015(11)
[10]基于深度卷积网络的多分类法在头部姿态估计中的应用(英文)[J]. Ying CAI,Meng-long YANG,Jun LI. Frontiers of Information Technology & Electronic Engineering. 2015(11)
博士论文
[1]基于计算机视觉的汽车安全辅助驾驶若干关键问题研究[D]. 徐翠.中国科学技术大学 2009
硕士论文
[1]基于计算机视觉的头部姿态跟踪技术研究与应用[D]. 左艳超.北方工业大学 2017
[2]基于头部姿态估计的人机交互系统研究[D]. 廖巧珍.重庆邮电大学 2016
[3]基于Adaboost算法和不同颜色空间的人脸检测研究[D]. 李娥.山东师范大学 2016
[4]基于单目相机的头部姿态估计算法研究[D]. 臧舒婷.东北大学 2013
本文编号：3417973
【文章来源】：重庆邮电大学重庆市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
Haar特征示意图
重庆邮电大学硕士学位论文第2章多姿态人脸检测15图2.7改进Adaboost检测部分实现流程由图2.7所示，根据上述章节分析的Adaboost人脸检测理论，首先对人脸样本和非人脸样本进行训练，得到强分类器，最后生成多姿态级联分类器对输入的待检测人脸图像进行检测。若图像中有人脸便用矩形框标记，其检测效果如图2.8所示。(a)单人人脸(b)多人人脸(c)出现误检图2.8多姿态人脸检测效果由检测结果可知，运用改进后的Adaboost算法进行人脸检测，可以快速检测到人脸图像中的多姿态人脸，具有较好的检测效果。但是，同时也存在一些非人脸区域被检测为人脸的情况，因此，需要在Adaboost检测结果上进行进一步的人脸筛眩多姿态人脸样本非人脸样本训练弱分类器选取最优弱分类器，用Adaboost训练强分类器级联多个强分类器，构建多姿态级联分类器训练部分检测部分待检测人脸图像遍历所有子窗口多姿态级联分类器确定人脸窗口显示检测结果
重庆邮电大学硕士学位论文第2章多姿态人脸检测17图2.9肤色椭圆模型2.人脸筛选根据上述的椭圆肤色模型对基于Adaboost算法检测到的待判人脸图像进行排除、筛选，排除误检的非人脸区域，在这过程中同样希望计算量能尽可能校因此，本文选用肤色占比验证方法，即通过不同姿态下的人脸中肤色所占比例的关系来进行筛眩本文设置正常人脸的正脸肤色占比为50%-70%，侧脸肤色占比为40%-60%。2.3.3算法步骤基于此，本文的多姿态人脸检测的算法流程如图2.10所示，具体的算法步骤如下：(1)采集大量的正样本图像和负样本图像，对人脸样本图像进行训练；(2)运用改进的Adaboost算法进行多姿态人脸检测；(3)建立肤色模型，对步骤2中得到的检测结果进行进一步的人脸排除与筛选，得到最终的多姿态人脸检测结果。图2.10改进的多姿态人脸检测算法流程人脸样本训练多姿态人脸检测人脸筛选人脸检测结果待检测图像
【参考文献】：
期刊论文
[1]基于面部特征点定位的头部姿态估计[J]. 闵秋莎,刘能,陈雅婷,王志锋. 计算机工程. 2018(06)
[2]基于卡尔曼滤波和随机回归森林的实时头部姿态估计[J]. 李成龙,钟凡,马昕,秦学英. 计算机辅助设计与图形学学报. 2017(12)
[3]一种基于深度卷积网络的鲁棒头部姿态估计方法[J]. 桑高丽,陈虎,赵启军. 四川大学学报(工程科学版). 2016(S1)
[4]支持向量机的算法及应用综述[J]. 张松兰. 江苏理工学院学报. 2016(02)
[5]融合YCbCr肤色模型与区域标记的人脸检测算法研究[J]. 杨恒,张再军,杨东,张儒良. 软件导刊. 2016(02)
[6]基于LBP金字塔特征的头部姿态识别[J]. 戴惟嘉. 信息化研究. 2016(01)
[7]头部姿态估计技术研究综述[J]. 陈书明,陈美玲. 泉州师范学院学报. 2015(06)
[8]基于自适应线性回归的头部姿态计算[J]. 郭知智,周前祥,柳忠起. 计算机应用研究. 2016(10)
[9]基于加权局部梯度直方图的头部三维姿态估计[J]. 崔汪莉,卫军胡,纪鹏,刘哲. 西安交通大学学报. 2015(11)
[10]基于深度卷积网络的多分类法在头部姿态估计中的应用(英文)[J]. Ying CAI,Meng-long YANG,Jun LI. Frontiers of Information Technology & Electronic Engineering. 2015(11)
博士论文
[1]基于计算机视觉的汽车安全辅助驾驶若干关键问题研究[D]. 徐翠.中国科学技术大学 2009
硕士论文
[1]基于计算机视觉的头部姿态跟踪技术研究与应用[D]. 左艳超.北方工业大学 2017
[2]基于头部姿态估计的人机交互系统研究[D]. 廖巧珍.重庆邮电大学 2016
[3]基于Adaboost算法和不同颜色空间的人脸检测研究[D]. 李娥.山东师范大学 2016
[4]基于单目相机的头部姿态估计算法研究[D]. 臧舒婷.东北大学 2013
本文编号：3417973
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3417973.html
最近更新
教材专著
