資源描述：
《頭部姿態(tài)估計與追蹤系統(tǒng)的研究與實現(xiàn)》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、頭部姿態(tài)估計與追蹤系統(tǒng)的研究與實現(xiàn)第1章緒論1.1.課臞背景與意義近些年來，關(guān)于生物識別的技術(shù)有著巨大的發(fā)展和變化。歸根結(jié)底，在于交互方式的進步。在此之前，交互方式為通過屏幕，鍵盤，鼠標(biāo)等工具突破那一層現(xiàn)實與虛擬之間的間隔，完成交互。隨著科技的發(fā)展和進步，越來越多的人開始研究自然交互的方法，在此基礎(chǔ)上，就可以逐步可以拋棄鼠標(biāo)，鍵盤等輔助工具，只需要人類的手指，頭部動作，語音等，就可以完成之前很復(fù)雜的操作。從工業(yè)化的交互，過渡為自然的類似人與人之間最普通的交互方法。人臉跟蹤以及在人臉跟蹤基礎(chǔ)上的人臉姿
2、態(tài)估計就是一個可以突破現(xiàn)有交互方式的一種革命性方法。頭部姿態(tài)估計需要實現(xiàn)快速，準(zhǔn)確，才能達到實用的效果。因此，這部分技術(shù)很多時候還只能停留在實驗室，或者部分技術(shù)應(yīng)用在了一些小眾商品上，沒有大規(guī)模的商用。主要原因在于目前檢測技術(shù)還沒有達到可以商用的程度，部分技術(shù)檢測例如人臉檢測等，性能沒有穩(wěn)定到可靠的層次。但是由于技術(shù)進步和人們的需求，頭部姿態(tài)估計還是獲取了長足的發(fā)展。在頭部姿態(tài)估計的基礎(chǔ)上，擁有著眾多的應(yīng)用。例如在人臉識別中，需要人臉正臉對著攝像頭才能進行識別。相關(guān)實驗結(jié)果表明：在人臉姿態(tài)正對著攝像
3、頭的時候，識別率可以達到90%以上[2]，但是在人臉不是正對，或者是表情變化比較大的時候，人臉識別系統(tǒng)的正確率將會急劇降到40%左右[2]。但是在例如機場安全檢查等環(huán)境中，是不可能要求每一個人都這么做的。人臉姿態(tài)識別就可以在實現(xiàn)，在人臉正對著攝像頭的時候，截獲照片，然后再進行人臉識別，這樣可以節(jié)約計算資源，而且可以同時獲取每一個人的正面圖像，對于日后跟蹤等提供了很大的方便。1.2.研艦狀和主要難點人臉檢測，就是在給定的圖像中，判斷圖像中是否存在，如果存在，則在圖像中將人臉的位置與區(qū)域劃分出來。如果有
4、多個人臉，還要將每個人臉的具體位置都要標(biāo)定出來，以供給下一步的處理使用。圖像質(zhì)量，環(huán)境因素對于人臉檢測的影響比較大，以及人臉的差異性對檢測算法的影響。環(huán)境因素主要是指光照，在人臉檢測的算法中，光照有著巨大的影響。比如在過度曝光的時候，人臉信息將會丟失，如果丟失過多，會檢測失敗。還有人臉差異性的問題，比如眼鏡，頭發(fā)，胡須等每個人的外貌體征都不相同，還有膚色的問題，在眾多的算法中，黑人的人臉檢測一直是一個很大的問題。人臉姿態(tài)的改變也會造成很大的影響。比如人臉轉(zhuǎn)向過大的時候，也會對人臉檢測產(chǎn)生困擾。膚色人
5、臉特征中突出的一個特征，作為一種在圖像中不會有太大的變化。對于光照與姿態(tài)擁有較好的魯棒性。但是利用膚色信息作為人臉檢測的手段，可靠性較低。因此，需要在膚色信息上增加其他的信息來保證可靠率。基于統(tǒng)計的方法最近被廣泛使用，尤其是因為對于在環(huán)境條變換和人臉差異性上有著比較好的檢測效果，魯棒性也較好。在2001年，Viola-Jones提出了基于Adaboost的學(xué)習(xí)算法[7]，之后產(chǎn)生的很多的方法都是基于此算法的研究上。他們提出使用Harr特征建立部分的弱分類器，然后再通過級聯(lián)的方式，組成一個強分類器，由
6、此基本可以實現(xiàn)實時性的人臉檢測。在此之后，Lienhart又提出了旋轉(zhuǎn)Haar特征[8]，可以在前人的基礎(chǔ)上再次提高大約10%的正確率[力，同時減少了誤檢率。Ma等人提出了利用色彩與Adaboost相結(jié)合的方法，利用人類膚色，提出了一種快速人臉檢測方法[8]。利用膚色信息，可以有效的減少搜索范圍。第2章ASM主動形狀模型2.1.ASM主動行政模型ASM是一種基于點分布的模型(PointDistributionModel,PDM)⑴，在該模型中，外觀相似的物體，比如人臉，房屋，手部，人體外形等的幾何形
7、狀，都是可以通過一定數(shù)量的關(guān)鍵特征點(landmarks)的坐標(biāo)，通過一定的順序相連接，使用一種稱之為形狀向量的事物表示出來。通過訓(xùn)練圖像樣本獲得訓(xùn)練圖像樣本的特征點分布的統(tǒng)計信息，并且獲得特征點允許存在的變化方向，從而實現(xiàn)在目標(biāo)圖像上尋找對應(yīng)特征點的位置。在算法的初始需要手動標(biāo)記所有圖像中人臉的特征點位置，并且記錄并且存下每個特征點的坐標(biāo)。計算出每一個特征點的局部灰度模型，將其作為局部特征點調(diào)整的特征向量。在模型訓(xùn)練完成之后，在目標(biāo)圖像上用剛才訓(xùn)練好的模型尋找每一個特征點。在尋找每一個特征點的下一
8、個位置的時候，采用了局部灰度模型尋找在當(dāng)前特征點的位置上的指定方向上的局部灰度模型中馬氏距離最小的特征點，并作為當(dāng)前的特征點將要移動到的地方，這個點就被稱為建議點(SuggestedPoint)。在找到了所有的建議點之后，將所有的建議點連接起來，獲得了一個建議形狀(Suggestshape)⑴。將當(dāng)前的模型通過一定的參數(shù)上的調(diào)整，使得當(dāng)前的模型能夠以最可能相似的調(diào)整到建議形狀。該過程重復(fù)迭代，直到可以收斂為止。..2.2.ASM模型的建立訓(xùn)法圖集準(zhǔn)備模型的技術(shù)基本是數(shù)
