基于深度学习的头部姿态估计方法研究

发布时间：2021-10-13 04:01

　　随着人工智能技术的兴起和深度学习的迅猛发展,计算机视觉和模式识别领域成为了更加热门的研究领域,人脸识别技术在安防、教育、交通等方面有广泛应用。由于单一的人脸识别方法无法提供更丰富的头部信息,在存在遮挡、光线复杂环境等情况下,无法准确检测和识别,结合头部姿态的生物信息特征识别成了模式识别领域的研究热点。头部姿态估计研究的是计算出给定的视频或者图像中头部相对于相机的三个方位:仰俯角（pitch）、偏航角（yaw）和翻滚角（roll）。传统的头部姿态估计方法受自然环境因素影响,在复杂光照、局部遮挡等情况容易产生较大的误差。本文采用深度学习以及目标检测方法对头部姿态估计的算法进行研究和改进,主要工作包含下面三方面的内容:论述了卷积神经网络以及深度学习的原理、头部姿态估计整体流程以及常用的检测算法,包括人脸检测、人脸对齐和相机标注。同时,包括目标检测算法在人脸检测上两个改进方法的应用,以及后续的头部姿态解算原理。改进了一种多损失头部姿态估计方法。该方法主要利用更加深入的深度残差网络RestNet101进行特征提取,在训练阶段使用AdaBound算法进行梯度优化,最后进行多损失计算,用于细分类得到... 

【文章来源】：西北师范大学甘肃省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

MTCNN人脸检测结果

第3章头部姿态估计原理25对建议对象进行优化。由于使用了卷积层的共享机制，算法可以利用较深的网络来生成高质量的区域建议。针对该算法，本章节设计并实现了在FasterR-CNN算法上的人脸检测实验，重新设计参数和针对人脸的训练方法，调整锚点检测的尺度，使之更适应小目标检测，其他原理类似于FasterR-CNN算法。实验结果图如下图3-9所示，在多人面部检测中的表现较好。图3-9FasterR-CNN在多人脸检测上的结果上图3-9中是使用FasterR-CNN算法在多个人脸上的检测结果，通过仿真实验发现，通过对锚点改进，该算法对于小尺寸目标效果较好，比如多人脸检测，通常都是以小目标在图像中出现。3.2.2交并比和非极大值抑制交并比（IntersectionoverUnion，IOU）和非极大值抑制是（Non-MaximumSuppression，NMS）是目标检测框架中重要的概念。在目标检测评价指标中，交并比用参数IoU表示，是模型得出的目标窗口和标签窗口的重叠率。可以理解成检测值(detectionresult)和真实值(GroundTruth)交集与二者并集的比例。如图3-10所示，是交并比的示意图。ABAB图3-10交并比示意图如上图3-10所示，用矩形A表示检测值，矩形B表示真实值，IoU定义就可

人脸关键点标记图

【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]对张正友相机标定法的改进研究[J]. 刘艳,李腾飞.  光学技术. 2014(06)

博士论文
[1]基于双目视觉的三维重建关键技术研究[D]. 张展.中国科学院大学(中国科学院沈阳计算技术研究所) 2019
[2]基于RGB-D数据的头部姿态估计研究[D]. 李成龙.山东大学 2017

硕士论文
[1]基于深度卷积神经网络的人脸图像分类应用研究[D]. 曹戈.吉林大学 2019
[2]基于多尺度特征融合与方向边界框预测的光学遥感图像目标检测[D]. 陈小波.西安电子科技大学 2019
[3]基于卷积神经网络的粒子滤波跟踪算法[D]. 高凯.大连理工大学 2019
[4]基于计算机视觉的头部姿态检测方法研究[D]. 赵明皓.电子科技大学 2018
[5]基于卡口监控视频的人脸特征点定位关键技术研究[D]. 丰慧芳.集美大学 2017
[6]基于自适应三维人脸模型的实时头部姿态估计[D]. 程科文.合肥工业大学 2016
[7]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015



本文编号：3433909