基于单目相机的头部姿态估计算法研究

摘要

目前，头部姿态估计技术已经在很多领域中得到广泛的应用，比如人脸识别，注视方向估计等。头部姿态估计作为这些系统的重要和基础环节，对其进行研究是非常必要的。它涉及到模式识别，图像处理，计算机视觉等多种学科。
　　基于表观方法的头部姿态估计算法遵循两个步骤:特征提取和分类器设计。由于人头部自然属性的差异以及采样时环境的影响，使得不是所有的特征都适用于估计头部姿态。因此，本文在对几个常用特征研究的基础上，提出了HOG特征对于姿态估计的优越性，进而提出HOG-LBP特征融合，大大提高了姿态估计的识别率。分类器选择的是支持向量机。
　　本文在特征提取阶段采用HOG特征。在计算HOG特征时引入积分图，即在每个方向区间上构建一个积分图，这样加快了特征计算的速度。由于单一的特征会使头部重要的描述信息丢失，HOG特征提取的是图像的形状信息和边缘信息，忽略了头部的纹理信息，因此考虑增加人脸识别中常用的纹理特征LBP，通过将HOG与LBP结合起来，使之能够对最终的结果有很好的描述。在分类器设计阶段选择经典的支持向量机算法，多分类分类器的设计时，5类采用一对一方法的有向图，11类采用的是一对一方法与树形结构相结合的方法，减少了识别所需的模型数，加快了识别速度，提高了系统的性能。
　　在实验中，首先设计一系列的实验得到了本文HOG特征最优参数。然后做实验得到HOG特征优于Gabor特征和灰度特征。最后进行的实验说明了本文方法的优越性:以往只用HOG特征，5类姿态识别率为93％左右，本文的HOG+SVM与HOG-LBP+SVM方法将识别率提高到98％;同时本文也尝试优化了分类类别，将姿态分成11类，在两个图像库上进行实验，HOG-LBP特征相较于HOG特征，识别率都有近10％的提升。

目录

声明

摘要

第1章 绪论

1．1 头部姿态估计的研究背景

1．1．1 人脸识别系统

1．1．2 注视方向

1．1．3 汽车安全辅助驾驶

1．2 头部姿态估计定义

1．3 国内外研究现状

1．3．1 表观匹配方法

1．3．2 检测器阵列方法

1．3．3 非线性回归方法

1．3．4 流形嵌入方法

1．3．5 柔性模型方法

1．3．6 几何方法

1．3．7 跟踪方法

1．3．8 混合方法

1．4 本文主要内容及安排

第2章 头部姿态估计

2．1 头部姿态估计的理论基础

2．2 头部姿态估计方法综述

2．2．1 基于模型的方法

2．2．2 基于表观的方法

2．3 头部姿态估计的难点

2．4 本章小节

第3章 头部姿态估计算法研究

3．1 头部特征提取

3．1．1 Gabor特征提取算法

3．1．2 梯度方向直方图特征提取算法

3．1．3 头部姿态估计特征提取的改进

3．2 头部姿态估计分类算法设计

3．2．1 支持向量机算法

3．2．2 多分类器的设计

3．2．3 头部姿态估计分类器的设计

3．3 本章小结

第4章 实验与分析

4．1 HOG特征最优参数的选择

4．1．1 梯度算子选择

4．1．2 方向区间直方图数目选择

4．1．3 步进数选择

4．1．4 归一化方法选择

4．1．5 图像单元和图像块尺寸选择

4．2 HOG特征与其他特征的比较

4．3 本文方法的优势

4．3．1 HOG特征的优势

4．3．2 特征融合的优势

4．4 本章小结

第5章 总结和展望

5．1 本文工作总结

5．2 未来工作展望

参考文献

致谢