【摘要】：頭部姿態(tài)估計(jì)在許多高層次的人臉分析任務(wù)中起著至關(guān)重要的作用,然而準(zhǔn)確魯棒的頭部姿態(tài)估計(jì)仍然是具有挑戰(zhàn)性的.針對(duì)當(dāng)前流行的Kinect,提出一種基于卡爾曼濾波和隨機(jī)回歸森林的準(zhǔn)確頭部姿態(tài)估計(jì)方法.首先使用卡爾曼濾波在深度圖中預(yù)測(cè)頭部的位置,并在預(yù)測(cè)區(qū)域內(nèi)采樣深度塊;然后將采樣深度塊通過已訓(xùn)練的隨機(jī)回歸森林進(jìn)行頭部姿態(tài)估計(jì),并將姿態(tài)估計(jì)值作為卡爾曼濾波的測(cè)量值;最后利用卡爾曼濾波結(jié)合預(yù)測(cè)值和測(cè)量值得到最終的頭部姿態(tài)估計(jì)參數(shù).實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有的隨機(jī)森林算法相比,該方法具有更快的速度、更好的魯棒性和更高的準(zhǔn)確率.
[Abstract]:Head pose estimation plays an important role in many high-level face analysis tasks, but accurate and robust head pose estimation is still challenging. An accurate head attitude estimation method based on Kalman filter and random regression forest is proposed for the popular Kinect,. First, Kalman filter is used to predict the position of the head in the depth map, and then the depth block is sampled in the prediction area, and then the sampling depth block is used to estimate the head attitude through the trained random regression forest. The attitude estimation value is taken as the measurement value of Kalman filter, and the final head attitude estimation parameters are obtained by using Kalman filter combined with the predicted value and the measured value. Experimental results show that compared with the existing stochastic forest algorithm, the proposed method has faster speed, better robustness and higher accuracy.
【作者單位】： 山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;山東大學(xué)數(shù)字媒體技術(shù)教育部工程研究中心;山東大學(xué)控制科學(xué)與工程學(xué)院;
【基金】：國家“八六三”高技術(shù)研究發(fā)展計(jì)劃(2015AA016405) 國家自然科學(xué)基金(61672326,61572290) 山東大學(xué)基礎(chǔ)研究基金(2015JC051)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張彩霞;孫鳳梅;;基于對(duì)偶數(shù)的透視N線姿態(tài)估計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2012年18期

2 馬瑾;陳立潮;張永梅;;基于分類的頭部姿態(tài)估計(jì)算法的研究[J];科技情報(bào)開發(fā)與經(jīng)濟(jì);2006年02期

3 張小平,朱紅鋒,劉志鏡;多姿態(tài)人臉照片的姿態(tài)估計(jì)[J];計(jì)算機(jī)仿真;2005年04期

4 史東承,于德海,楊冬;一種多視角人臉姿態(tài)估計(jì)算法[J];長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年01期

5 鐘志光;易建強(qiáng);趙冬斌;洪義平;李新征;;一種魯棒的只需兩幀圖像的姿態(tài)估計(jì)方法[J];模式識(shí)別與人工智能;2005年04期

6 張彩霞;趙青娥;;基于旋轉(zhuǎn)體的攝像機(jī)姿態(tài)估計(jì)[J];北方工業(yè)大學(xué)學(xué)報(bào);2011年03期

7 陳曉鋼;陸玲;周書民;劉向陽;;一種新的人臉姿態(tài)估計(jì)算法[J];數(shù)據(jù)采集與處理;2009年04期

8 劉淼;郭東偉;馬捷;孫浩翔;周春光;;基于橢圓模型和神經(jīng)網(wǎng)絡(luò)的人臉姿態(tài)估計(jì)方法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2008年04期

9 鐘志光;林雪明;吳振謙;蔣偉剛;;一種基于點(diǎn)對(duì)的姿態(tài)估計(jì)和結(jié)構(gòu)恢復(fù)方法[J];寧波大學(xué)學(xué)報(bào)(理工版);2009年01期

10 毛玉星;于燕來;韓倍濤;徐少志;成華安;;應(yīng)用人臉姿態(tài)估計(jì)實(shí)現(xiàn)人機(jī)信息交互[J];重慶大學(xué)學(xué)報(bào);2012年01期

相關(guān)會(huì)議論文 前1條

1 葉蓬;劉方;;一種基于李群的目標(biāo)姿態(tài)估計(jì)方法[A];全國第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

相關(guān)博士學(xué)位論文 前4條

1 劉袁緣;自然環(huán)境下頭部姿態(tài)估計(jì)方法的研究與應(yīng)用[D];華中師范大學(xué);2015年

2 崔錦實(shí);基于三維模型的關(guān)節(jié)式物體姿態(tài)估計(jì)與跟蹤方法研究[D];清華大學(xué);2004年

3 趙松;人臉識(shí)別中的姿態(tài)估計(jì)、識(shí)別算法和融合算法的研究[D];中國科學(xué)技術(shù)大學(xué);2009年

4 歐陽毅;單目視頻中人體運(yùn)動(dòng)建模及姿態(tài)估計(jì)研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 石廣升;基于Kinect的物體三維模型構(gòu)建和姿態(tài)估計(jì)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 丁卓;基于單幅靜止圖像的人臉姿態(tài)估計(jì)的研究[D];華東師范大學(xué);2014年

3 侯佳麗;基于視覺的無人機(jī)姿態(tài)估計(jì)方法研究[D];北京理工大學(xué);2016年

4 趙俊寶;駕駛員頭部姿態(tài)估計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

5 馬召賓;融合眼部特征及頭部姿態(tài)的實(shí)時(shí)疲勞駕駛檢測(cè)技術(shù)研究[D];山東大學(xué);2016年

6 高彪;視障者視覺輔助技術(shù)中剛性物體全方位姿態(tài)估計(jì)方法[D];天津工業(yè)大學(xué);2016年

7 花景培;監(jiān)控視頻中行人跟蹤及姿態(tài)估計(jì)[D];南京郵電大學(xué);2016年

8 程科文;基于自適應(yīng)三維人臉模型的實(shí)時(shí)頭部姿態(tài)估計(jì)[D];合肥工業(yè)大學(xué);2016年

9 廖巧珍;基于頭部姿態(tài)估計(jì)的人機(jī)交互系統(tǒng)研究[D];重慶郵電大學(xué);2016年

10 向順靈;AAM的頭部姿態(tài)估計(jì)與人臉識(shí)別算法的研究[D];廣西民族大學(xué);2016年

，

本文編號(hào)：2215619