基于贝叶斯分类错误率的姿态估计研究

摘要

姿态估计(poseestimation)是计算机视觉领域中的经典问题。本文所提到的姿态估计，就是在已知目标的三维形状模型的前提下估计目标在三维空间中的姿态参数。在姿态估计中，有两个关于观测的基本问题需要研究：1)姿态评价(poseevaluation)，即如何评价目标形状模型在给定姿态下的投影和图像数据之间的匹配程度；2)姿态优化(poserefinement)，即如何在特定的解空间里搜索最优的姿态参数。 本文中，我们主要以视觉交通监控中的车辆定位为背景来研究姿态估计问题，其原因在于研究刚体(车辆)的姿态估计具有代表性，并且交通场景中的复杂情况为姿态估计提供了很好的研究对象。同时，姿态估计对于视觉监控很重要，而视觉监控具有重要的应用价值。另外，我们也将本文的方法应用到二维人脸定位问题中，以验证方法的有效性。 本文的主要工作和贡献如下：1.提出在假设检验的意义下采用贝叶斯分类错误率(BCE，Bayesianclassification)来度量局部图像小区域的统计可分性，并且从理论分析和试验比较的角度，验证了贝叶斯分类错误率对于姿态估计问题所表现出来的最优性能； 2.详细的讨论了贝叶斯分类错误率在一维和多维情况下的快速计算问题； 3.提出将目标形状模型、局部区域统计特性和参考信息结合起来(不需要几何基元提取)，构造了姿态评价函数(PEEposeevaluationfunction)，有效的描述了目标模型投影与图像数据的匹配程度(goodnessoffit)； 4.通过引入法向变化向量作为中间变量，推导出姿态评价函数关于姿态参数的一阶梯度，从而得到关于姿态优化的显式解(analyticsolution)； 5.将本文的姿态估计方法应用到实际交通场景中的三维车辆定位和二维人脸定位，并与其他两个常用的姿态评价方法进行了定性和定量的比较。

目录

文摘

英文文摘

独创性声明和关于论文使用授权的说明

第一章绪论

1.1问题描述

1.2理论意义

1.3实践意义

1.4论文结构

第二章研究现状

2.1引言

2.2基于形状模型的目标定位

2.2.1姿态评价

2.2.2姿态优化

2.3基于全局区域的目标定位

2.4基于边界的目标定位

2.5基于局部特征的目标定位

2.6方法比较

2.7小结

第三章姿态评价

3.1几何关系

3.2总体结构

3.3目标描述

3.3.1形状模型

3.3.2局部区域信息

3.3.3参考信息

3.4贝叶斯分类错误率

3.4.1相关随机变量的概率分布

3.4.2假设检验

3.4.3贝叶斯分类错误率的合理性验证

3.4.4 BCE和其他相似性度量的比较

3.5贝叶斯分类错误率的计算

3.5.1一维情况

3.5.2多维情况

3.6姿态评价函数

3.7实验结果

3.7.1模拟实验

3.7.2高斯模型检验

3.7.3实际交通场景中的车辆姿态评价

3.7.4灰度图像中的人脸定位参数评价

3.8小结

第四章姿态优化

4.1引言

4.2法向变化向量

4.3姿态参数和法向变化向量之间的关系

4.3.1基于三维模型的车辆定位情况

4.3.2基于二维模型的人脸定位情况

4.4法向变化向量和姿态评价函数之间的关系

4.5实验结果

4.5.1实际交通场景中的车辆定位

4.5.2灰度图像中的人脸定位

4.6小结

第五章结论和展望

5.1结论

5.2展望

参考文献

在学期间发表或投稿的论文

致谢