自然环境下头部姿态估计方法的研究与应用

发布时间：2017-10-16 21:15

  本文关键词：自然环境下头部姿态估计方法的研究与应用

  更多相关文章： 头部姿态估计和分析 Dirichlet-tree增强随机森林 复合纹理和几何特征 智能化课堂教学管理系统 自然环境

【摘要】：头部姿态估计是计算机视觉和人工智能领域中的重要研究问题,近年来受到了越来越多的学者关注。头部姿态是判断人类行为和理解人类行为的关键。因此,头部姿态作为研究和理解学生课堂学习行为的关键,是现代智能化课堂教学管理系统中非常重要的教学信息提取的中心内容。在教育大数据时代,现代智能化课堂教学管理系统除应满足传统管理系统的数据处理和管理功能外,还应该包括：智能监控、信息提取、决策评价等功能。而自然环境下的头部姿态估计是实现相关智能监控和信息提取的关键技术,也是其决策评价的客观依据。在计算机视觉领域,头部姿态估计通常被理解为在数字图像中判断头部的方向,其目标是在一个全局坐标系统内通过图像识别的方法判断头部姿态的参数,即,头部的位置信息和方向信息。由于头部姿态估计的广泛应用前景,近年来,许多研究者进行头部姿态估计的研究,并已取得了不错的成绩。但是在自然环境下尤其是课堂大场景下,头部姿态估计的研究还是面临着许多的挑战。例如,背景复杂,光照变化,姿态遮挡,表情变化,运动干扰等。在实际的教学管理应用中,智能化系统对于头部姿态估计的性能要求越来越高,尤其对于非约束的自然场景下的识别率和鲁棒性颇受关注。因此,本文主要研究目标是在自然场景下提出兼顾准确率和速度的离散和连续头部姿态估计的方法,并开发了基于头部姿态估计和分析的智能化课堂教学管理系统,具体的研究内容包括：(1)非约束环境下的基于分层学习的离散头部姿态估计；(2)大场景下的基于混合特征和权重投票决策的头部姿态估计；(3)自然场景下的基于迭代回归算法的连续头部姿态估计；(4)基于头部姿态估计和分析的课堂教学管理系统。本博士论文为解决现代智能化教学管理系统中课堂学习行为提取的难点问题,率先开展了自然场景下尤其是课堂大场景中的多人头部姿态估计方法的研究,并开发了基于学习者头部姿态估计和分析的课堂教学管理系统。取得的主要贡献有：(1) 本文将Dirichlet-tree概率分布模型引入随机森林中,提出了Dirichlet-tree增强随机森林(Dirichlet-tree distribution enhanced random forest,D-RF)的头部姿态估计方法,对于自然环境下的两个自山度旋转的多类头部姿态估计有较好的效果。正、负人脸子区域块的分类作为D-RF的先验信息,可以减少环境噪声的影响。三个公共数据集上的测试实验表明本文方法比现有的先进算法具有更好的估计准确率和实时性。(2) 本文提出更加鲁棒和强区分力的复合纹理和几何特征模型(包括基于Gabor特征的PCA主成分、Sobel边缘特征、LBPH特征、灰度特征和两个几何约束模型),用以在大场景下低分辨率图像的头部姿态估计,很好地解决了大场景中遮挡和低分辨率的影响,提高了D-RF估计的准确率和运行速度。(3) 本文提出了一种回归迭代的学习算法用以自然环境下的连续头部姿态估计。该算法分为二个部分：首先,我们提出了基于D-RF级联算法的人脸特征点检测,可以精确定位不同头部姿态下的多个人脸特征点的位置；然后,我们提出了迭代回归的方法用以更新精确的头部姿态分类、特征点位置和头部姿态的旋转角度。不同的数据集上的测试实验表明本文的方法比现有的先进算法具有更好的准确率和实时性。(4) 本文研究和开发了一套基于头部姿态估计和分析的课堂教学管理系统,包括智能签到模块、课堂交互模块和头部姿态估计和分析子系统,并提出了一个新颖的基于单目摄像机的多人注意力分析模型,为课堂教学管理系统系统提供客观的学习行为数据。为了更好的进行系统评估和分析,本文还建立了一套课堂自然场景下的头部姿态数据集。实验结果表明我们提出的系统和方法能够客观准确地对课堂上多名学生的课堂注意力和学习交互行为进行监控与分析。
【关键词】：头部姿态估计和分析 Dirichlet-tree增强随机森林 复合纹理和几何特征 智能化课堂教学管理系统 自然环境
【学位授予单位】：华中师范大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 中文摘要5-7
• ABSTRACT7-13
• 1 绪论13-23
• 1.1 研究背景和意义13-17
• 1.1.1 头部姿态估计的定义14-15
• 1.1.2 头部姿态估计的意义15-16
• 1.1.3 头部姿态估计的难点及待解决的问题16-17
• 1.2 研究目标17-18
• 1.3 研究内容18-21
• 1.4 本文的创新点21
• 1.5 论文的结构安排21-23
• 2 相关研究现状综述23-35
• 2.1 头部姿态估计算法综述23-29
• 2.1.1 基于模板匹配的方法23-24
• 2.1.2 基于机器学习的方法24-26
• 2.1.3 基于几何的方法26-28
• 2.1.4 基于注册跟踪的方法28-29
• 2.1.5 基于多算法组合的方法29
• 2.1.6 本节小结29
• 2.2 人脸特征点检测算法综述29-32
• 2.2.1 基于颜色信息的方法30
• 2.2.2 基于先验信息的方法30-31
• 2.2.3 基于几何形状信息的方法31
• 2.2.4 基于统计学习的方法31
• 2.2.5 基于关联的方法31
• 2.2.6 本节小结31-32
• 2.3 注意力识别技术综述32-33
• 2.3.1 基于侵入式传感器的方法32
• 2.3.2 基于非侵入式的方法32-33
• 2.3.3 本节小结33
• 2.4 智能化的课堂教学管理系统综述33-34
• 2.5 本章小结34-35
• 3 非约束环境下的基于D-RF分层学习的离散头部姿态估计35-49
• 3.1 随机森林35-37
• 3.2 基于DIRICHLET树结构增强随机森林的头部姿态估计37-43
• 3.2.1 人脸子区域的先验分类38-39
• 3.2.2 Dirichlet-Tree树结构增强随机森林的训练39-41
• 3.2.3 水平头部姿态估计41-42
• 3.2.4 竖直头部姿态估计42-43
• 3.3 DIRICHLET-TREE树结构增强随机森林的多层概率模型43
• 3.4 实验和分析43-48
• 3.4.1 训练44-45
• 3.4.2 测试45-46
• 3.4.3 估计准确率比较和分析46-47
• 3.4.4 Dirichlet-tree增强随机森林的级联层数分析47
• 3.4.5 最新算法的比较47
• 3.4.6 运行时间的比较47-48
• 3.5 本章小结48-49
• 4 大场景下的基于混合特征和权重投票决策的头部姿态估计49-61
• 4.1 大场景数据库采集50-51
• 4.2 大场景下基于混合特征和分层学习算法的头部姿态估计51-54
• 4.2.1 人脸正子区域块的混合特征提取52-53
• 4.2.2 分层学习算法的训练和预测53
• 4.2.3 混合权重的稀疏投票决策方法53-54
• 4.3 实验和分析54-59
• 4.3.1 置信参数对误差率的影响55-57
• 4.3.2 组合特征和算法的比较57
• 4.3.3 最新算法比较57-59
• 4.3.4 鲁棒性分析59
• 4.4 本章小结59-61
• 5 自然场景下的基于迭代回归算法的连续头部姿态估计61-80
• 5.1 基于DIRICHLET-TREE增强随机森林算法的人脸特征点检测61-69
• 5.1.1 引言61-62
• 5.1.2 基于D-RF分层回归的人脸精确特征点检测62-65
• 5.1.3 实验分析65-69
• 5.1.4 本节小结69
• 5.2 基于回归迭代算法的连续头部姿态估计69-73
• 5.2.1 算法介绍70-72
• 5.2.2 基于迭代更新的头部姿态和特征点72
• 5.2.3 基于回归D-RF的连续头部姿态估计72-73
• 5.3 实验和分析73-78
• 5.3.1 连续头部姿态估计74-76
• 5.3.2 迭代的特征点检测76-78
• 5.4 本章小结78-80
• 6 基于头部姿态估计和分析的课堂教学管理系统80-104
• 6.1 智能签到模块81-82
• 6.2 课堂学习交互模块82-83
• 6.3 头部姿态估计和分析子系统83-94
• 6.3.1 头部定位85-89
• 6.3.2 多人头部姿态估计89-91
• 6.3.3 注意力分析91-94
• 6.4 课堂教学管理系统的试验和评估94-103
• 6.4.1 智能考勤模块和学习交互模块94-95
• 6.4.2 头部姿态估计和分析子系统95-103
• 6.5 本章小结103-104
• 7 总结和展望104-108
• 7.1 总结104-105
• 7.2 展望105-108
• 参考文献108-120
• 在校期间发表的论文、科研成果120-121
• 致谢121-122

【相似文献】

中国期刊全文数据库 前10条

1 马瑾;陈立潮;张永梅;;基于分类的头部姿态估计算法的研究[J];科技情报开发与经济;2006年02期

2 傅泽宁;邵晓巍;龚德仁;段登平;;最优递归线性姿态估计算法[J];测控技术;2012年06期

3 张小平,朱红锋,刘志镜;多姿态人脸照片的姿态估计[J];计算机仿真;2005年04期

4 史东承,于德海,杨冬;一种多视角人脸姿态估计算法[J];长春工业大学学报(自然科学版);2004年01期

5 钟志光;易建强;赵冬斌;洪义平;李新征;;一种鲁棒的只需两帧图像的姿态估计方法[J];模式识别与人工智能;2005年04期

6 张根宝;杨永;;粒子滤波器及其在卫星姿态估计中的应用[J];计算机工程与科学;2011年06期

7 张彩霞;赵青娥;;基于旋转体的摄像机姿态估计[J];北方工业大学学报;2011年03期

8 郭作敏;飞行器实时姿态估计系统[J];光机电信息;1997年12期

9 陈晓钢;陆玲;周书民;刘向阳;;一种新的人脸姿态估计算法[J];数据采集与处理;2009年04期

10 刘淼;郭东伟;马捷;孙浩翔;周春光;;基于椭圆模型和神经网络的人脸姿态估计方法[J];吉林大学学报(理学版);2008年04期

中国重要会议论文全文数据库 前2条

1 叶蓬;刘方;;一种基于李群的目标姿态估计方法[A];全国第二届信号处理与应用学术会议专刊[C];2008年

2 牟忠凯;隋立芬;甘雨;黄贤源;;观测噪声为有色噪声的UKF姿态估计算法[A];第二届中国卫星导航学术年会电子文集[C];2011年

中国博士学位论文全文数据库 前4条

1 刘袁缘;自然环境下头部姿态估计方法的研究与应用[D];华中师范大学;2015年

2 崔锦实;基于三维模型的关节式物体姿态估计与跟踪方法研究[D];清华大学;2004年

3 赵松;人脸识别中的姿态估计、识别算法和融合算法的研究[D];中国科学技术大学;2009年

4 欧阳毅;单目视频中人体运动建模及姿态估计研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 石广升;基于Kinect的物体三维模型构建和姿态估计方法研究[D];哈尔滨工业大学;2015年

2 杜署明;基于捷联惯性传感的吊钩姿态估计技术研究[D];大连理工大学;2015年

3 孙昊翔;关于人脸姿态估计问题的研究[D];吉林大学;2007年

4 李华明;基于中国人面貌形态学特征的人脸姿态估计方法研究[D];西北大学;2005年

5 杨旭;基于稀疏流形的头部姿态估计研究[D];华中科技大学;2013年

6 臧舒婷;基于单目相机的头部姿态估计算法研究[D];东北大学;2013年

7 崔少奇;人脸姿态估计算法的研究[D];西北大学;2015年

8 杨倩倩;数字视频中的实时人脸姿态估计研究的实时[D];华中科技大学;2009年

9 杨倩倩;数字视频中的实时人脸姿态估计研究[D];华中科技大学;2009年

10 胡宏波;基于监督局部子空间学习方法的人脸姿态估计[D];哈尔滨工业大学;2012年

，

本文编号：1044940