本文關(guān)鍵詞：自然環(huán)境下頭部姿態(tài)估計(jì)方法的研究與應(yīng)用

  更多相關(guān)文章： 頭部姿態(tài)估計(jì)和分析 Dirichlet-tree增強(qiáng)隨機(jī)森林 復(fù)合紋理和幾何特征 智能化課堂教學(xué)管理系統(tǒng) 自然環(huán)境

【摘要】：頭部姿態(tài)估計(jì)是計(jì)算機(jī)視覺和人工智能領(lǐng)域中的重要研究問題,近年來受到了越來越多的學(xué)者關(guān)注。頭部姿態(tài)是判斷人類行為和理解人類行為的關(guān)鍵。因此,頭部姿態(tài)作為研究和理解學(xué)生課堂學(xué)習(xí)行為的關(guān)鍵,是現(xiàn)代智能化課堂教學(xué)管理系統(tǒng)中非常重要的教學(xué)信息提取的中心內(nèi)容。在教育大數(shù)據(jù)時(shí)代,現(xiàn)代智能化課堂教學(xué)管理系統(tǒng)除應(yīng)滿足傳統(tǒng)管理系統(tǒng)的數(shù)據(jù)處理和管理功能外,還應(yīng)該包括：智能監(jiān)控、信息提取、決策評(píng)價(jià)等功能。而自然環(huán)境下的頭部姿態(tài)估計(jì)是實(shí)現(xiàn)相關(guān)智能監(jiān)控和信息提取的關(guān)鍵技術(shù),也是其決策評(píng)價(jià)的客觀依據(jù)。在計(jì)算機(jī)視覺領(lǐng)域,頭部姿態(tài)估計(jì)通常被理解為在數(shù)字圖像中判斷頭部的方向,其目標(biāo)是在一個(gè)全局坐標(biāo)系統(tǒng)內(nèi)通過圖像識(shí)別的方法判斷頭部姿態(tài)的參數(shù),即,頭部的位置信息和方向信息。由于頭部姿態(tài)估計(jì)的廣泛應(yīng)用前景,近年來,許多研究者進(jìn)行頭部姿態(tài)估計(jì)的研究,并已取得了不錯(cuò)的成績。但是在自然環(huán)境下尤其是課堂大場(chǎng)景下,頭部姿態(tài)估計(jì)的研究還是面臨著許多的挑戰(zhàn)。例如,背景復(fù)雜,光照變化,姿態(tài)遮擋,表情變化,運(yùn)動(dòng)干擾等。在實(shí)際的教學(xué)管理應(yīng)用中,智能化系統(tǒng)對(duì)于頭部姿態(tài)估計(jì)的性能要求越來越高,尤其對(duì)于非約束的自然場(chǎng)景下的識(shí)別率和魯棒性頗受關(guān)注。因此,本文主要研究目標(biāo)是在自然場(chǎng)景下提出兼顧準(zhǔn)確率和速度的離散和連續(xù)頭部姿態(tài)估計(jì)的方法,并開發(fā)了基于頭部姿態(tài)估計(jì)和分析的智能化課堂教學(xué)管理系統(tǒng),具體的研究內(nèi)容包括：(1)非約束環(huán)境下的基于分層學(xué)習(xí)的離散頭部姿態(tài)估計(jì)；(2)大場(chǎng)景下的基于混合特征和權(quán)重投票決策的頭部姿態(tài)估計(jì)；(3)自然場(chǎng)景下的基于迭代回歸算法的連續(xù)頭部姿態(tài)估計(jì)；(4)基于頭部姿態(tài)估計(jì)和分析的課堂教學(xué)管理系統(tǒng)。本博士論文為解決現(xiàn)代智能化教學(xué)管理系統(tǒng)中課堂學(xué)習(xí)行為提取的難點(diǎn)問題,率先開展了自然場(chǎng)景下尤其是課堂大場(chǎng)景中的多人頭部姿態(tài)估計(jì)方法的研究,并開發(fā)了基于學(xué)習(xí)者頭部姿態(tài)估計(jì)和分析的課堂教學(xué)管理系統(tǒng)。取得的主要貢獻(xiàn)有：(1) 本文將Dirichlet-tree概率分布模型引入隨機(jī)森林中,提出了Dirichlet-tree增強(qiáng)隨機(jī)森林(Dirichlet-tree distribution enhanced random forest,D-RF)的頭部姿態(tài)估計(jì)方法,對(duì)于自然環(huán)境下的兩個(gè)自山度旋轉(zhuǎn)的多類頭部姿態(tài)估計(jì)有較好的效果。正、負(fù)人臉子區(qū)域塊的分類作為D-RF的先驗(yàn)信息,可以減少環(huán)境噪聲的影響。三個(gè)公共數(shù)據(jù)集上的測(cè)試實(shí)驗(yàn)表明本文方法比現(xiàn)有的先進(jìn)算法具有更好的估計(jì)準(zhǔn)確率和實(shí)時(shí)性。(2) 本文提出更加魯棒和強(qiáng)區(qū)分力的復(fù)合紋理和幾何特征模型(包括基于Gabor特征的PCA主成分、Sobel邊緣特征、LBPH特征、灰度特征和兩個(gè)幾何約束模型),用以在大場(chǎng)景下低分辨率圖像的頭部姿態(tài)估計(jì),很好地解決了大場(chǎng)景中遮擋和低分辨率的影響,提高了D-RF估計(jì)的準(zhǔn)確率和運(yùn)行速度。(3) 本文提出了一種回歸迭代的學(xué)習(xí)算法用以自然環(huán)境下的連續(xù)頭部姿態(tài)估計(jì)。該算法分為二個(gè)部分：首先,我們提出了基于D-RF級(jí)聯(lián)算法的人臉特征點(diǎn)檢測(cè),可以精確定位不同頭部姿態(tài)下的多個(gè)人臉特征點(diǎn)的位置；然后,我們提出了迭代回歸的方法用以更新精確的頭部姿態(tài)分類、特征點(diǎn)位置和頭部姿態(tài)的旋轉(zhuǎn)角度。不同的數(shù)據(jù)集上的測(cè)試實(shí)驗(yàn)表明本文的方法比現(xiàn)有的先進(jìn)算法具有更好的準(zhǔn)確率和實(shí)時(shí)性。(4) 本文研究和開發(fā)了一套基于頭部姿態(tài)估計(jì)和分析的課堂教學(xué)管理系統(tǒng),包括智能簽到模塊、課堂交互模塊和頭部姿態(tài)估計(jì)和分析子系統(tǒng),并提出了一個(gè)新穎的基于單目攝像機(jī)的多人注意力分析模型,為課堂教學(xué)管理系統(tǒng)系統(tǒng)提供客觀的學(xué)習(xí)行為數(shù)據(jù)。為了更好的進(jìn)行系統(tǒng)評(píng)估和分析,本文還建立了一套課堂自然場(chǎng)景下的頭部姿態(tài)數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明我們提出的系統(tǒng)和方法能夠客觀準(zhǔn)確地對(duì)課堂上多名學(xué)生的課堂注意力和學(xué)習(xí)交互行為進(jìn)行監(jiān)控與分析。
【關(guān)鍵詞】：頭部姿態(tài)估計(jì)和分析 Dirichlet-tree增強(qiáng)隨機(jī)森林 復(fù)合紋理和幾何特征 智能化課堂教學(xué)管理系統(tǒng) 自然環(huán)境
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 中文摘要5-7
• ABSTRACT7-13
• 1 緒論13-23
• 1.1 研究背景和意義13-17
• 1.1.1 頭部姿態(tài)估計(jì)的定義14-15
• 1.1.2 頭部姿態(tài)估計(jì)的意義15-16
• 1.1.3 頭部姿態(tài)估計(jì)的難點(diǎn)及待解決的問題16-17
• 1.2 研究目標(biāo)17-18
• 1.3 研究內(nèi)容18-21
• 1.4 本文的創(chuàng)新點(diǎn)21
• 1.5 論文的結(jié)構(gòu)安排21-23
• 2 相關(guān)研究現(xiàn)狀綜述23-35
• 2.1 頭部姿態(tài)估計(jì)算法綜述23-29
• 2.1.1 基于模板匹配的方法23-24
• 2.1.2 基于機(jī)器學(xué)習(xí)的方法24-26
• 2.1.3 基于幾何的方法26-28
• 2.1.4 基于注冊(cè)跟蹤的方法28-29
• 2.1.5 基于多算法組合的方法29
• 2.1.6 本節(jié)小結(jié)29
• 2.2 人臉特征點(diǎn)檢測(cè)算法綜述29-32
• 2.2.1 基于顏色信息的方法30
• 2.2.2 基于先驗(yàn)信息的方法30-31
• 2.2.3 基于幾何形狀信息的方法31
• 2.2.4 基于統(tǒng)計(jì)學(xué)習(xí)的方法31
• 2.2.5 基于關(guān)聯(lián)的方法31
• 2.2.6 本節(jié)小結(jié)31-32
• 2.3 注意力識(shí)別技術(shù)綜述32-33
• 2.3.1 基于侵入式傳感器的方法32
• 2.3.2 基于非侵入式的方法32-33
• 2.3.3 本節(jié)小結(jié)33
• 2.4 智能化的課堂教學(xué)管理系統(tǒng)綜述33-34
• 2.5 本章小結(jié)34-35
• 3 非約束環(huán)境下的基于D-RF分層學(xué)習(xí)的離散頭部姿態(tài)估計(jì)35-49
• 3.1 隨機(jī)森林35-37
• 3.2 基于DIRICHLET樹結(jié)構(gòu)增強(qiáng)隨機(jī)森林的頭部姿態(tài)估計(jì)37-43
• 3.2.1 人臉子區(qū)域的先驗(yàn)分類38-39
• 3.2.2 Dirichlet-Tree樹結(jié)構(gòu)增強(qiáng)隨機(jī)森林的訓(xùn)練39-41
• 3.2.3 水平頭部姿態(tài)估計(jì)41-42
• 3.2.4 豎直頭部姿態(tài)估計(jì)42-43
• 3.3 DIRICHLET-TREE樹結(jié)構(gòu)增強(qiáng)隨機(jī)森林的多層概率模型43
• 3.4 實(shí)驗(yàn)和分析43-48
• 3.4.1 訓(xùn)練44-45
• 3.4.2 測(cè)試45-46
• 3.4.3 估計(jì)準(zhǔn)確率比較和分析46-47
• 3.4.4 Dirichlet-tree增強(qiáng)隨機(jī)森林的級(jí)聯(lián)層數(shù)分析47
• 3.4.5 最新算法的比較47
• 3.4.6 運(yùn)行時(shí)間的比較47-48
• 3.5 本章小結(jié)48-49
• 4 大場(chǎng)景下的基于混合特征和權(quán)重投票決策的頭部姿態(tài)估計(jì)49-61
• 4.1 大場(chǎng)景數(shù)據(jù)庫采集50-51
• 4.2 大場(chǎng)景下基于混合特征和分層學(xué)習(xí)算法的頭部姿態(tài)估計(jì)51-54
• 4.2.1 人臉正子區(qū)域塊的混合特征提取52-53
• 4.2.2 分層學(xué)習(xí)算法的訓(xùn)練和預(yù)測(cè)53
• 4.2.3 混合權(quán)重的稀疏投票決策方法53-54
• 4.3 實(shí)驗(yàn)和分析54-59
• 4.3.1 置信參數(shù)對(duì)誤差率的影響55-57
• 4.3.2 組合特征和算法的比較57
• 4.3.3 最新算法比較57-59
• 4.3.4 魯棒性分析59
• 4.4 本章小結(jié)59-61
• 5 自然場(chǎng)景下的基于迭代回歸算法的連續(xù)頭部姿態(tài)估計(jì)61-80
• 5.1 基于DIRICHLET-TREE增強(qiáng)隨機(jī)森林算法的人臉特征點(diǎn)檢測(cè)61-69
• 5.1.1 引言61-62
• 5.1.2 基于D-RF分層回歸的人臉精確特征點(diǎn)檢測(cè)62-65
• 5.1.3 實(shí)驗(yàn)分析65-69
• 5.1.4 本節(jié)小結(jié)69
• 5.2 基于回歸迭代算法的連續(xù)頭部姿態(tài)估計(jì)69-73
• 5.2.1 算法介紹70-72
• 5.2.2 基于迭代更新的頭部姿態(tài)和特征點(diǎn)72
• 5.2.3 基于回歸D-RF的連續(xù)頭部姿態(tài)估計(jì)72-73
• 5.3 實(shí)驗(yàn)和分析73-78
• 5.3.1 連續(xù)頭部姿態(tài)估計(jì)74-76
• 5.3.2 迭代的特征點(diǎn)檢測(cè)76-78
• 5.4 本章小結(jié)78-80
• 6 基于頭部姿態(tài)估計(jì)和分析的課堂教學(xué)管理系統(tǒng)80-104
• 6.1 智能簽到模塊81-82
• 6.2 課堂學(xué)習(xí)交互模塊82-83
• 6.3 頭部姿態(tài)估計(jì)和分析子系統(tǒng)83-94
• 6.3.1 頭部定位85-89
• 6.3.2 多人頭部姿態(tài)估計(jì)89-91
• 6.3.3 注意力分析91-94
• 6.4 課堂教學(xué)管理系統(tǒng)的試驗(yàn)和評(píng)估94-103
• 6.4.1 智能考勤模塊和學(xué)習(xí)交互模塊94-95
• 6.4.2 頭部姿態(tài)估計(jì)和分析子系統(tǒng)95-103
• 6.5 本章小結(jié)103-104
• 7 總結(jié)和展望104-108
• 7.1 總結(jié)104-105
• 7.2 展望105-108
• 參考文獻(xiàn)108-120
• 在校期間發(fā)表的論文、科研成果120-121
• 致謝121-122

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 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

2 傅澤寧;邵曉巍;龔德仁;段登平;;最優(yōu)遞歸線性姿態(tài)估計(jì)算法[J];測(cè)控技術(shù);2012年06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 張根寶;楊永;;粒子濾波器及其在衛(wèi)星姿態(tài)估計(jì)中的應(yīng)用[J];計(jì)算機(jī)工程與科學(xué);2011年06期

7 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

8 郭作敏;飛行器實(shí)時(shí)姿態(tài)估計(jì)系統(tǒng)[J];光機(jī)電信息;1997年12期

9 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

10 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

中國重要會(huì)議論文全文數(shù)據(jù)庫 前2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)議專刊[C];2008年

2 牟忠凱;隋立芬;甘雨;黃賢源;;觀測(cè)噪聲為有色噪聲的UKF姿態(tài)估計(jì)算法[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集[C];2011年

中國博士學(xué)位論文全文數(shù)據(jù)庫 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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 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 杜署明;基于捷聯(lián)慣性傳感的吊鉤姿態(tài)估計(jì)技術(shù)研究[D];大連理工大學(xué);2015年

3 孫昊翔;關(guān)于人臉姿態(tài)估計(jì)問題的研究[D];吉林大學(xué);2007年

4 李華明;基于中國人面貌形態(tài)學(xué)特征的人臉姿態(tài)估計(jì)方法研究[D];西北大學(xué);2005年

5 楊旭;基于稀疏流形的頭部姿態(tài)估計(jì)研究[D];華中科技大學(xué);2013年

6 臧舒婷;基于單目相機(jī)的頭部姿態(tài)估計(jì)算法研究[D];東北大學(xué);2013年

7 崔少奇;人臉姿態(tài)估計(jì)算法的研究[D];西北大學(xué);2015年

8 楊倩倩;數(shù)字視頻中的實(shí)時(shí)人臉姿態(tài)估計(jì)研究的實(shí)時(shí)[D];華中科技大學(xué);2009年

9 楊倩倩;數(shù)字視頻中的實(shí)時(shí)人臉姿態(tài)估計(jì)研究[D];華中科技大學(xué);2009年

10 胡宏波;基于監(jiān)督局部子空間學(xué)習(xí)方法的人臉姿態(tài)估計(jì)[D];哈爾濱工業(yè)大學(xué);2012年

，

本文編號(hào)：1044940