隨著人工智能技術(shù)的興起和深度學習的迅猛發(fā)展,計算機視覺和模式識別領(lǐng)域成為了更加熱門的研究領(lǐng)域,人臉識別技術(shù)在安防、教育、交通等方面有廣泛應用。由于單一的人臉識別方法無法提供更豐富的頭部信息,在存在遮擋、光線復雜環(huán)境等情況下,無法準確檢測和識別,結(jié)合頭部姿態(tài)的生物信息特征識別成了模式識別領(lǐng)域的研究熱點。頭部姿態(tài)估計研究的是計算出給定的視頻或者圖像中頭部相對于相機的三個方位:仰俯角（pitch）、偏航角（yaw）和翻滾角（roll）。傳統(tǒng)的頭部姿態(tài)估計方法受自然環(huán)境因素影響,在復雜光照、局部遮擋等情況容易產(chǎn)生較大的誤差。本文采用深度學習以及目標檢測方法對頭部姿態(tài)估計的算法進行研究和改進,主要工作包含下面三方面的內(nèi)容:論述了卷積神經(jīng)網(wǎng)絡以及深度學習的原理、頭部姿態(tài)估計整體流程以及常用的檢測算法,包括人臉檢測、人臉對齊和相機標注。同時,包括目標檢測算法在人臉檢測上兩個改進方法的應用,以及后續(xù)的頭部姿態(tài)解算原理。改進了一種多損失頭部姿態(tài)估計方法。該方法主要利用更加深入的深度殘差網(wǎng)絡RestNet101進行特征提取,在訓練階段使用AdaBound算法進行梯度優(yōu)化,最后進行多損失計算,用于細分類得到... 

【文章來源】：西北師范大學甘肅省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

MTCNN人臉檢測結(jié)果

第3章頭部姿態(tài)估計原理25對建議對象進行優(yōu)化。由于使用了卷積層的共享機制，算法可以利用較深的網(wǎng)絡來生成高質(zhì)量的區(qū)域建議。針對該算法，本章節(jié)設計并實現(xiàn)了在FasterR-CNN算法上的人臉檢測實驗，重新設計參數(shù)和針對人臉的訓練方法，調(diào)整錨點檢測的尺度，使之更適應小目標檢測，其他原理類似于FasterR-CNN算法。實驗結(jié)果圖如下圖3-9所示，在多人面部檢測中的表現(xiàn)較好。圖3-9FasterR-CNN在多人臉檢測上的結(jié)果上圖3-9中是使用FasterR-CNN算法在多個人臉上的檢測結(jié)果，通過仿真實驗發(fā)現(xiàn)，通過對錨點改進，該算法對于小尺寸目標效果較好，比如多人臉檢測，通常都是以小目標在圖像中出現(xiàn)。3.2.2交并比和非極大值抑制交并比（IntersectionoverUnion，IOU）和非極大值抑制是（Non-MaximumSuppression，NMS）是目標檢測框架中重要的概念。在目標檢測評價指標中，交并比用參數(shù)IoU表示，是模型得出的目標窗口和標簽窗口的重疊率�？梢岳斫獬蓹z測值(detectionresult)和真實值(GroundTruth)交集與二者并集的比例。如圖3-10所示，是交并比的示意圖。ABAB圖3-10交并比示意圖如上圖3-10所示，用矩形A表示檢測值，矩形B表示真實值，IoU定義就可

人臉關(guān)鍵點標記圖

【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]對張正友相機標定法的改進研究[J]. 劉艷,李騰飛.  光學技術(shù). 2014(06)

博士論文
[1]基于雙目視覺的三維重建關(guān)鍵技術(shù)研究[D]. 張展.中國科學院大學(中國科學院沈陽計算技術(shù)研究所) 2019
[2]基于RGB-D數(shù)據(jù)的頭部姿態(tài)估計研究[D]. 李成龍.山東大學 2017

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的人臉圖像分類應用研究[D]. 曹戈.吉林大學 2019
[2]基于多尺度特征融合與方向邊界框預測的光學遙感圖像目標檢測[D]. 陳小波.西安電子科技大學 2019
[3]基于卷積神經(jīng)網(wǎng)絡的粒子濾波跟蹤算法[D]. 高凱.大連理工大學 2019
[4]基于計算機視覺的頭部姿態(tài)檢測方法研究[D]. 趙明皓.電子科技大學 2018
[5]基于卡口監(jiān)控視頻的人臉特征點定位關(guān)鍵技術(shù)研究[D]. 豐慧芳.集美大學 2017
[6]基于自適應三維人臉模型的實時頭部姿態(tài)估計[D]. 程科文.合肥工業(yè)大學 2016
[7]基于卷積神經(jīng)網(wǎng)絡的人臉識別研究[D]. 葉浪.東南大學 2015



本文編號：3433909