隨著人工智能與生物識別技術的飛速發(fā)展,頭部姿態(tài)變化所包含的豐富信息在生活中廣泛應用于疲勞駕駛、輔助臨床診斷、人體行為分析等領域,有巨大的研究價值和應用價值。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改進的多姿態(tài)人臉檢測方法。首先在Adaboost算法基礎上,采用一種改進的級聯分類器結構用于多姿態(tài)人臉檢測,以此來提高多姿態(tài)下的人臉檢測率。然后在其結果上,通過建立膚色模型進行待判人臉的過濾、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行特征融合,從而構建一... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

Haar特征示意圖

重慶郵電大學碩士學位論文第2章多姿態(tài)人臉檢測15圖2.7改進Adaboost檢測部分實現流程由圖2.7所示，根據上述章節(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行訓練，得到強分類器，最后生成多姿態(tài)級聯分類器對輸入的待檢測人臉圖像進行檢測。若圖像中有人臉便用矩形框標記，其檢測效果如圖2.8所示。(a)單人人臉(b)多人人臉(c)出現誤檢圖2.8多姿態(tài)人臉檢測效果由檢測結果可知，運用改進后的Adaboost算法進行人臉檢測，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檢測結果上進行進一步的人臉篩眩多姿態(tài)人臉樣本非人臉樣本訓練弱分類器選取最優(yōu)弱分類器，用Adaboost訓練強分類器級聯多個強分類器，構建多姿態(tài)級聯分類器訓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)級聯分類器確定人臉窗口顯示檢測結果

重慶郵電大學碩士學位論文第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系來進行篩眩本文設置正常人臉的正臉膚色占比為50%-70%，側臉膚色占比為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樣本圖像，對人臉樣本圖像進行訓練；(2)運用改進的Adaboost算法進行多姿態(tài)人臉檢測；(3)建立膚色模型，對步驟2中得到的檢測結果進行進一步的人臉排除與篩選，得到最終的多姿態(tài)人臉檢測結果。圖2.10改進的多姿態(tài)人臉檢測算法流程人臉樣本訓練多姿態(tài)人臉檢測人臉篩選人臉檢測結果待檢測圖像

【參考文獻】：
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.  計算機工程. 2018(06)
[2]基于卡爾曼濾波和隨機回歸森林的實時頭部姿態(tài)估計[J]. 李成龍,鐘凡,馬昕,秦學英.  計算機輔助設計與圖形學學報. 2017(12)
[3]一種基于深度卷積網絡的魯棒頭部姿態(tài)估計方法[J]. 桑高麗,陳虎,趙啟軍.  四川大學學報(工程科學版). 2016(S1)
[4]支持向量機的算法及應用綜述[J]. 張松蘭.  江蘇理工學院學報. 2016(02)
[5]融合YCbCr膚色模型與區(qū)域標記的人臉檢測算法研究[J]. 楊恒,張再軍,楊東,張儒良.  軟件導刊. 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)估計技術研究綜述[J]. 陳書明,陳美玲.  泉州師范學院學報. 2015(06)
[8]基于自適應線性回歸的頭部姿態(tài)計算[J]. 郭知智,周前祥,柳忠起.  計算機應用研究. 2016(10)
[9]基于加權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,紀鵬,劉哲.  西安交通大學學報. 2015(11)
[10]基于深度卷積網絡的多分類法在頭部姿態(tài)估計中的應用(英文)[J]. Ying CAI,Meng-long YANG,Jun LI.  Frontiers of Information Technology & Electronic Engineering. 2015(11)

博士論文
[1]基于計算機視覺的汽車安全輔助駕駛若干關鍵問題研究[D]. 徐翠.中國科學技術大學 2009

碩士論文
[1]基于計算機視覺的頭部姿態(tài)跟蹤技術研究與應用[D]. 左艷超.北方工業(yè)大學 2017
[2]基于頭部姿態(tài)估計的人機交互系統(tǒng)研究[D]. 廖巧珍.重慶郵電大學 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 2016
[4]基于單目相機的頭部姿態(tài)估計算法研究[D]. 臧舒婷.東北大學 2013



本文編號：3417973