資源描述：
《aam的頭部姿態(tài)估計與人臉識別算法的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、＿：氣－Ｊ一Ｖ１芝Ｖ＇秋，哨－ｆ．＼／女、＾Ｔ一＞、ｖ‘如：Ａ女－／％．遂ｉｗ，．－ｔ＾－卽ｆ巧，追Ｉ爭－，；一＾＾吞ｉ學(xué)號Ｖ３ｗ，，ｉ－－－分類號＾ｒ爹＞！ｖ秦左＞．ｔ：，、連Ｖ－＼，ｒ＾．ＪＡ－；＂開密級，－‘言錠＞？今．覆，Ｕ／／是２黎參；ｒｖ韶．齋；ｙ＞滬査義＞－馨ｒ?qū)＃桑犘酵校?，＼ｖｉ今．編；為＼４—．．；．；，Ｉ多．．＇＞Ｖ誓髮苗＇》＾?wù)．’知．：＾、ｉ一；ＶＶ．Ｗ＇．＇．ス帶．１ＮＩｓ評Ｊ－一栽肖＾ｄ；，幽Ｖ謂與刊，ｖ．片．嗔‘．．苗．．．＾－
2、？．Ｍ｜、．、畫兩術(shù)定，？壬Ｌ．侖＇，挪令．舅：；－＇／－－．＾４－巧導(dǎo)＼、Ｖ接，．－；．吊、．／、又．；．．；、，滬蔓．１為暫／、襄ｆ；巧‘和ｆ一羣戶ｒｋ、／Ｃ‘ｙＨ灑．怎ＶＳ．／這．、ｉＫ寒＇這￣ｔ、、：－＇、粉４ｅ０令紗．ｉ．．、％＇；．一、＞ｉ．；：ｉ是．．Ｖ奮、餐＇．．；臀送：Ｖｆ＇＇，舊Ｕ．‘■＞．讀；．寮‘．ｒ一；讀；ｉ＂．Ｖ運．ｄ；＇扁，絲臟赫Ｉ怡勵算饒嚇巧Ｖ：－：Ｖ備＂；＇、ｓｆ／興；：Ｖ與；．巧：＇－ｃ：，務(wù)．＞．巧；ｖ／、．ｉ；），；：ｂ：：Ｖ．、．、聲‘．
3、；；．襄＼＼於，！占如：％＇Ｖ這占１：一繫：ｆＴｕ蘿Ｖ＞＂繁＾．：．這？：：／．ｉ，咨＾Ｍ掛名＂巧ｒ讀．養(yǎng)Ｖ誦哉請聲Ｖ、餐Ｖ０壽ＭＩ、，．＇這職案姓名＾，＾㈱．ｖ．－＾＊－．巧矣Ｖ幫襄、ｖ、輪：家？受業(yè)應(yīng)訓(xùn)：－科專與．．．＇：？．＼＇ｃ著、；；ｋ．攀這８：．裝；邊蹤．學(xué)＾院學(xué)＾學(xué)．屬．、＇；華．轉(zhuǎn)；ｎ＼挺備級楚＇％＇－；ｙ一／々嫂Ｖ．？＼＇、；起？６＾＇＂時；咨．聲成？５＼、、、－Ａ．，ｎ片．，；１．／心．ｆ；ｖＵ，。．‘？，．．繁：％－ｕ】ｖ公、．，Ｖ＞、．＾社：￥藻；
4、’ｃ？扛竄；一Ｕ？ｒ沒ｒ．＼．。賽＊，斯．ｖ＾／ｒ＞１空＾Ｉｊ纖巧／、藉；＇蒙；＼狐，／，＂７、摘要AAM的頭部姿態(tài)估計與人臉識別算法的研究摘要隨著人工智能、人機交互等技術(shù)的發(fā)展，計算機視覺逐漸成為一個備受關(guān)注的研究領(lǐng)域，人臉識別與頭部姿態(tài)估計一直是重要的研究對象。近些年，基于表示的人臉識別算法研究主要關(guān)注約束條件和字典學(xué)習(xí)，很少有人研究樣本數(shù)據(jù)的什么特征影響基于表示算法的性能。為了解決這個問題，定義一個新的概念結(jié)構(gòu)離散度來表示訓(xùn)練樣本集的結(jié)構(gòu)特征。實驗結(jié)果表明，一個樣本
5、集的結(jié)構(gòu)離散度越高，其分類算法的正確識別率就越高。進一步，塊貢獻度（BlockContributionDegree,DBC）被用來衡量基于塊表示的稀疏表示分類算法是否適用于一個訓(xùn)練樣本集。實驗結(jié)果表明，如果在DBC接近零時，塊技術(shù)不能提高基于表示的分類算法的性能。在此基礎(chǔ)上，一種自適應(yīng)優(yōu)化方法被提出用于生成最佳的塊規(guī)格，重疊度和塊加權(quán)方案。在自然環(huán)境下人臉識別的重要環(huán)節(jié)是人臉檢測，主動外觀模型（ActiveAppearanceModel,AAM）是一種典型的人臉檢測方法也是頭部姿態(tài)估計的有效方法之一。針對AAM算法的模型建立和建模后的擬合過程
6、對初始位置很敏感的問題，HOG-LBP技術(shù)被用來提取待測圖像的特征直方圖，根據(jù)特征直方圖選擇最匹配的模型參數(shù)作為初始值，采用Adaboost進行人臉定位。實驗表明該方法有效提高了算法的魯棒性和速度。關(guān)鍵詞：人臉識別AAM數(shù)據(jù)結(jié)構(gòu)姿態(tài)估計IABSTRACTAAMHEADPOSEESTIMATIONALGORITHMANDRESEARCHOFAFACERECOGNITIONALGORITHMABSTRACTWiththedevelopmentofartificialintelligence,human-computerinteraction,co
7、mputervisionhasbecamearesearchareaofconcerngradually.Face-recognitionandheadposeestimationisanimportanttargetforresearchers.Inrecentyears,therepresentation-basedface-recognitiontechniquesfocusmainlyonconstraintconditionsanddictionarylearning.Fewresearcherstudywhichsampledat
8、afeaturesinfluencetheperformanceofrepresentation-basedclassificationalgorithms.Ino
