基于單目相機的頭部姿態(tài)估計算法研究.pdf

1、目前，頭部姿態(tài)估計技術已經(jīng)在很多領域中得到廣泛的應用，比如人臉識別，注視方向估計等。頭部姿態(tài)估計作為這些系統(tǒng)的重要和基礎環(huán)節(jié)，對其進行研究是非常必要的。它涉及到模式識別，圖像處理，計算機視覺等多種學科。
　　基于表觀方法的頭部姿態(tài)估計算法遵循兩個步驟:特征提取和分類器設計。由于人頭部自然屬性的差異以及采樣時環(huán)境的影響，使得不是所有的特征都適用于估計頭部姿態(tài)。因此，本文在對幾個常用特征研究的基礎上，提出了HOG特征對于姿態(tài)估計的優(yōu)越

2、性，進而提出HOG-LBP特征融合，大大提高了姿態(tài)估計的識別率。分類器選擇的是支持向量機。
　　本文在特征提取階段采用HOG特征。在計算HOG特征時引入積分圖，即在每個方向區(qū)間上構建一個積分圖，這樣加快了特征計算的速度。由于單一的特征會使頭部重要的描述信息丟失，HOG特征提取的是圖像的形狀信息和邊緣信息，忽略了頭部的紋理信息，因此考慮增加人臉識別中常用的紋理特征LBP，通過將HOG與LBP結(jié)合起來，使之能夠?qū)ψ罱K的結(jié)果有很好的描述

3、。在分類器設計階段選擇經(jīng)典的支持向量機算法，多分類分類器的設計時，5類采用一對一方法的有向圖，11類采用的是一對一方法與樹形結(jié)構相結(jié)合的方法，減少了識別所需的模型數(shù)，加快了識別速度，提高了系統(tǒng)的性能。
　　在實驗中，首先設計一系列的實驗得到了本文HOG特征最優(yōu)參數(shù)。然后做實驗得到HOG特征優(yōu)于Gabor特征和灰度特征。最后進行的實驗說明了本文方法的優(yōu)越性:以往只用HOG特征，5類姿態(tài)識別率為93％左右，本文的HOG+SVM與HOG