針對(duì)行人的主動(dòng)安全一直以來都是智能駕駛領(lǐng)域非常關(guān)注的話題,車載相機(jī)獲取的主要為遠(yuǎn)距離低分辨率圖像。已有的針對(duì)遠(yuǎn)距離低分辨率圖像的人體頭部與身體姿態(tài)估計(jì)方法,主要采用傳統(tǒng)的特征提取方法,檢測(cè)精度較低。傳統(tǒng)的頭部姿態(tài)與身體姿態(tài)聯(lián)合估計(jì)方法局限于構(gòu)建空間與時(shí)間模型,模型過于復(fù)雜,且實(shí)時(shí)性低。對(duì)此,本文主要開展了如下研究工作:（1）將深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法應(yīng)用于人體頭部與身體姿態(tài)估計(jì)。相比傳統(tǒng)方法人工設(shè)計(jì)的特征,深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層,能夠自動(dòng)學(xué)習(xí)最優(yōu)特征。其訓(xùn)練過程中的反向傳播機(jī)制,使得網(wǎng)絡(luò)收斂于全局最優(yōu)解。本方法在CAVIAR頭部姿態(tài)數(shù)據(jù)集上取得的Accuracy1精度為86%,在TUD身體姿態(tài)數(shù)據(jù)集上取得的Accuracy1精度為83%。相比于傳統(tǒng)算法,不僅精度得到了明顯提升,而且具有實(shí)時(shí)性。（2）將基于多任務(wù)學(xué)習(xí)的深度卷積神經(jīng)（MTL-CNN）方法應(yīng)用于人體頭部與身體姿態(tài)聯(lián)合估計(jì)。針對(duì)現(xiàn)有方法將頭部姿態(tài)估計(jì)與身體姿態(tài)估計(jì)任務(wù)分開進(jìn)行的不足,考慮到頭部姿態(tài)估計(jì)任務(wù)與身體姿態(tài)估計(jì)任務(wù)的相關(guān)性,將人體頭部姿態(tài)與身體姿態(tài)進(jìn)行聯(lián)合估計(jì)。本方法提出的多任務(wù)學(xué)習(xí)模型相比于單任務(wù)模型具備更... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

頭部姿態(tài)估計(jì)角度示意圖

電子科技大學(xué)碩士學(xué)位論文度差，以此獲得圖像內(nèi)較為顯著的變化信息。頭部姿態(tài)信息可以視作為臉殊區(qū)域的邊緣或者外形信息，在低分辨率圖像中邊緣或者外形信息非常對(duì)光照不敏感的圖像變化。頭部姿態(tài)也可以視為給定圖像的特殊區(qū)域的，作者將一張圖像表示為基于像素的強(qiáng)度變化圖，利用強(qiáng)度變化圖，特定的變化可以用于描述頭部姿態(tài)的變化。作者使用歸一化的局部與全局強(qiáng)來辨別不同姿態(tài)間的區(qū)別，并且使用 sigmoid 函數(shù)來將特定值的微分輸出，以及能將較大的微分值控制在合理范圍之內(nèi)。ee[41]提出一種基于壓縮傳感的人體頭部姿態(tài)估計(jì)算法，利用提出的廣泛且波器組將頭部圖像映射到高維特征空間。濾波器組包含多通道、多尺度、波器，濾波器組用于產(chǎn)生顏色和梯度信息的稀疏響應(yīng)，這些信息能被隨機(jī)，且能被隨機(jī)森林方法分類。系統(tǒng)原理圖如圖 2-4 所示。特征空間隨機(jī)森林

第二章 人體姿態(tài)估計(jì)算法綜述一種方案將姿態(tài)表示為單位圓上的 2D 點(diǎn)，然后在訓(xùn)練網(wǎng)絡(luò)時(shí)使用 L2 損失函數(shù)，在測(cè)試階段，網(wǎng)絡(luò)的輸出的 2D 點(diǎn)不必須位于單位圓上，使用反 tan 函數(shù)映射為角度值；第二種方案同樣使用單位圓上的點(diǎn)來表示，但是使用角度差損失函數(shù)代替L2 損失函數(shù)；第三種方案明顯區(qū)別于前兩種方案，將連續(xù)的角度估計(jì)轉(zhuǎn)化為離散角度估計(jì)問題，使用標(biāo)準(zhǔn)的 softmax 函數(shù)獲得每個(gè)類別的概率。在測(cè)試階段，使用mean-shift 算法將離散的姿態(tài)輸出轉(zhuǎn)化為連續(xù)的姿態(tài)輸出。離散姿態(tài)均勻部分在輸出圓空間上，mean-shift 算法就是在圓空間尋找最可能的連續(xù)姿態(tài)。實(shí)驗(yàn)結(jié)果證明第三種方法效果優(yōu)于前兩種方法，其流程結(jié)構(gòu)圖如圖 2-5 所示。輸入圖像特征圖特征圖離散姿態(tài)

【參考文獻(xiàn)】：
期刊論文
[1]基于后驗(yàn)多重稀疏字典的多姿態(tài)行人檢測(cè)[J]. 谷靈康,周鳴爭(zhēng),汪軍,修宇.  系統(tǒng)仿真學(xué)報(bào). 2017(02)
[2]一種基于深度卷積網(wǎng)絡(luò)的魯棒頭部姿態(tài)估計(jì)方法[J]. 桑高麗,陳虎,趙啟軍.  四川大學(xué)學(xué)報(bào)(工程科學(xué)版). 2016(S1)
[3]輔助駕駛系統(tǒng)中駕駛員頭部姿態(tài)估計(jì)關(guān)鍵問題研究[J]. 李榮,齊曉杰,鮑宇,史士財(cái).  黑龍江工程學(xué)院學(xué)報(bào). 2015(05)



本文編號(hào)：3561162