隨著人工智能與生物識別技術(shù)的飛速發(fā)展,頭部姿態(tài)變化所包含的豐富信息在生活中廣泛應(yīng)用于疲勞駕駛、輔助臨床診斷、人體行為分析等領(lǐng)域,有巨大的研究價值和應(yīng)用價值。但實際生活中,諸多不確定因素都將對頭部姿態(tài)估計的結(jié)果造成影響,如光照的明暗變化、夸張的表情動作等。因此,本文主要對頭部姿態(tài)估計方法開展研究。在論文中,采用了一種基于多特征融合的頭部姿態(tài)估計方法,主要工作如下:1.對多姿態(tài)人臉檢測方法開展研究。采用了一種基于Adaboost改進(jìn)的多姿態(tài)人臉檢測方法。首先在Adaboost算法基礎(chǔ)上,采用一種改進(jìn)的級聯(lián)分類器結(jié)構(gòu)用于多姿態(tài)人臉檢測,以此來提高多姿態(tài)下的人臉檢測率。然后在其結(jié)果上,通過建立膚色模型進(jìn)行待判人臉的過濾、篩選,從而有效的降低誤檢率。與同類別的人臉檢測方法相比,該方法對多姿態(tài)人臉具有更高的檢測率。2.對特征提取方法開展研究。針對單一人臉姿態(tài)特征用于頭部姿態(tài)估計造成信息不足的缺點,本文在特征提取階段采用了多特征融合的方法。其主要思想是:基于梯度直方圖特征基礎(chǔ)上,提取人臉圖像的二階梯度直方圖特征;同時,對人臉圖像提取等價局部二值模型特征;最后對提取到的兩種特征進(jìn)行特征融合,從而構(gòu)建一... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

Haar特征示意圖

重慶郵電大學(xué)碩士學(xué)位論文第2章多姿態(tài)人臉檢測15圖2.7改進(jìn)Adaboost檢測部分實現(xiàn)流程由圖2.7所示，根據(jù)上述章節(jié)分析的Adaboost人臉檢測理論，首先對人臉樣本和非人臉樣本進(jìn)行訓(xùn)練，得到強(qiáng)分類器，最后生成多姿態(tài)級聯(lián)分類器對輸入的待檢測人臉圖像進(jìn)行檢測。若圖像中有人臉便用矩形框標(biāo)記，其檢測效果如圖2.8所示。(a)單人人臉(b)多人人臉(c)出現(xiàn)誤檢圖2.8多姿態(tài)人臉檢測效果由檢測結(jié)果可知，運用改進(jìn)后的Adaboost算法進(jìn)行人臉檢測，可以快速檢測到人臉圖像中的多姿態(tài)人臉，具有較好的檢測效果。但是，同時也存在一些非人臉區(qū)域被檢測為人臉的情況，因此，需要在Adaboost檢測結(jié)果上進(jìn)行進(jìn)一步的人臉篩眩多姿態(tài)人臉樣本非人臉樣本訓(xùn)練弱分類器選取最優(yōu)弱分類器，用Adaboost訓(xùn)練強(qiáng)分類器級聯(lián)多個強(qiáng)分類器，構(gòu)建多姿態(tài)級聯(lián)分類器訓(xùn)練部分檢測部分待檢測人臉圖像遍歷所有子窗口多姿態(tài)級聯(lián)分類器確定人臉窗口顯示檢測結(jié)果

重慶郵電大學(xué)碩士學(xué)位論文第2章多姿態(tài)人臉檢測17圖2.9膚色橢圓模型2.人臉篩選根據(jù)上述的橢圓膚色模型對基于Adaboost算法檢測到的待判人臉圖像進(jìn)行排除、篩選，排除誤檢的非人臉區(qū)域，在這過程中同樣希望計算量能盡可能校因此，本文選用膚色占比驗證方法，即通過不同姿態(tài)下的人臉中膚色所占比例的關(guān)系來進(jìn)行篩眩本文設(shè)置正常人臉的正臉膚色占比為50%-70%，側(cè)臉膚色占比為40%-60%。2.3.3算法步驟基于此，本文的多姿態(tài)人臉檢測的算法流程如圖2.10所示，具體的算法步驟如下：(1)采集大量的正樣本圖像和負(fù)樣本圖像，對人臉樣本圖像進(jìn)行訓(xùn)練；(2)運用改進(jìn)的Adaboost算法進(jìn)行多姿態(tài)人臉檢測；(3)建立膚色模型，對步驟2中得到的檢測結(jié)果進(jìn)行進(jìn)一步的人臉排除與篩選，得到最終的多姿態(tài)人臉檢測結(jié)果。圖2.10改進(jìn)的多姿態(tài)人臉檢測算法流程人臉樣本訓(xùn)練多姿態(tài)人臉檢測人臉篩選人臉檢測結(jié)果待檢測圖像

【參考文獻(xiàn)】：
期刊論文
[1]基于面部特征點定位的頭部姿態(tài)估計[J]. 閔秋莎,劉能,陳雅婷,王志鋒.  計算機(jī)工程. 2018(06)
[2]基于卡爾曼濾波和隨機(jī)回歸森林的實時頭部姿態(tài)估計[J]. 李成龍,鐘凡,馬昕,秦學(xué)英.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2017(12)
[3]一種基于深度卷積網(wǎng)絡(luò)的魯棒頭部姿態(tài)估計方法[J]. 桑高麗,陳虎,趙啟軍.  四川大學(xué)學(xué)報(工程科學(xué)版). 2016(S1)
[4]支持向量機(jī)的算法及應(yīng)用綜述[J]. 張松蘭.  江蘇理工學(xué)院學(xué)報. 2016(02)
[5]融合YCbCr膚色模型與區(qū)域標(biāo)記的人臉檢測算法研究[J]. 楊恒,張再軍,楊東,張儒良.  軟件導(dǎo)刊. 2016(02)
[6]基于LBP金字塔特征的頭部姿態(tài)識別[J]. 戴惟嘉.  信息化研究. 2016(01)
[7]頭部姿態(tài)估計技術(shù)研究綜述[J]. 陳書明,陳美玲.  泉州師范學(xué)院學(xué)報. 2015(06)
[8]基于自適應(yīng)線性回歸的頭部姿態(tài)計算[J]. 郭知智,周前祥,柳忠起.  計算機(jī)應(yīng)用研究. 2016(10)
[9]基于加權(quán)局部梯度直方圖的頭部三維姿態(tài)估計[J]. 崔汪莉,衛(wèi)軍胡,紀(jì)鵬,劉哲.  西安交通大學(xué)學(xué)報. 2015(11)
[10]基于深度卷積網(wǎng)絡(luò)的多分類法在頭部姿態(tài)估計中的應(yīng)用(英文)[J]. Ying CAI,Meng-long YANG,Jun LI.  Frontiers of Information Technology & Electronic Engineering. 2015(11)

博士論文
[1]基于計算機(jī)視覺的汽車安全輔助駕駛?cè)舾申P(guān)鍵問題研究[D]. 徐翠.中國科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]基于計算機(jī)視覺的頭部姿態(tài)跟蹤技術(shù)研究與應(yīng)用[D]. 左艷超.北方工業(yè)大學(xué) 2017
[2]基于頭部姿態(tài)估計的人機(jī)交互系統(tǒng)研究[D]. 廖巧珍.重慶郵電大學(xué) 2016
[3]基于Adaboost算法和不同顏色空間的人臉檢測研究[D]. 李娥.山東師范大學(xué) 2016
[4]基于單目相機(jī)的頭部姿態(tài)估計算法研究[D]. 臧舒婷.東北大學(xué) 2013



本文編號：3417973