基于深度信息的實時頭部姿態(tài)估計.pdf

1、頭部姿態(tài)估計作為計算機(jī)視覺的重要問題，在人臉識別與身份認(rèn)證系統(tǒng)、智能安全監(jiān)控系統(tǒng)、視覺注意力監(jiān)測系統(tǒng)、輔助安全駕駛系統(tǒng)、視頻會議系統(tǒng)、人機(jī)交互等眾多領(lǐng)域中具有廣泛的應(yīng)用，也是近年來越來越熱門的研究方向。其主要研究的問題是計算機(jī)通過對輸入圖像或者視頻序列的分析、預(yù)測，確定人的頭部在三維空間（相對于攝像機(jī)）中的位置及姿態(tài)參量。然而在真實場景中，比如攝像機(jī)的失真、投影變化、光照環(huán)境變化，以及人的外觀、面部表情、部分遮擋、配件（如眼鏡、帽子）等

2、都會給頭部姿態(tài)估計問題帶來極大的困難。目前，大多數(shù)可用的算法并不能實時估計頭部姿態(tài)，往往在初始化時需要一些預(yù)設(shè)的正面姿勢，或是在實時估計下不能處理全范圍的頭部運(yùn)動。
　　本文針對上述問題，研究了近年來國內(nèi)外對于頭部姿態(tài)估計問題的諸多方法和技術(shù)，提出了基于深度信息的實時頭部姿態(tài)估計方法，結(jié)合當(dāng)前在機(jī)器學(xué)習(xí)方法中流行的隨機(jī)森林算法，分別使用高質(zhì)量的ETH人臉姿態(tài)深度圖像數(shù)據(jù)集和基于Kinect獲取的低質(zhì)量深度圖像數(shù)據(jù)集來訓(xùn)練和測試本文

3、提出的算法性能。
　　本文完成的主要工作和貢獻(xiàn)有:
　　(1)采用了基于深度信息的隨機(jī)森林回歸方法。在已標(biāo)記的高質(zhì)量ETH人臉姿態(tài)深度圖像數(shù)據(jù)集訓(xùn)練和測試，不依賴于檢測特定的面部特征，進(jìn)行頭部姿態(tài)估計。
　　(2)提出基于判別模型的隨機(jī)森林回歸方法。由于基于Kinect獲取的低質(zhì)量深度圖像數(shù)據(jù)集包含了人體其他部分的深度信息，首先將頭部姿態(tài)估計問題轉(zhuǎn)化成一個分類問題來處理，標(biāo)記正負(fù)樣本集，采用樣本加分類標(biāo)簽的形式進(jìn)行訓(xùn)練

4、，然后結(jié)合隨機(jī)森林回歸方法估計頭部姿態(tài)。該方法共同解決了分類和回歸問題。
　　(3)設(shè)計了一個基于Kinect深度信息的實時頭部姿態(tài)估計系統(tǒng)。該系統(tǒng)不依賴于特定的硬件環(huán)境，且不需要手動初始化設(shè)置，可以根據(jù)速度和精度的要求來調(diào)節(jié)平衡點。
　　實驗結(jié)果表明，本文方法不依賴于檢測特定的面部特征（如鼻子等），并且在大范圍內(nèi)的旋轉(zhuǎn)、面部表情、頭部部分遮擋、配件（如戴眼鏡）的情況下都能魯棒地完成頭部姿態(tài)估計。在本文最后，分析了提出方法的