论文部分内容阅读
头部姿态估计对于人脸识别的精确度有着非比寻常的重要性,同时在疲劳驾驶[46]等领域有着巨大的应用潜力。头部姿态估计(Head Pose Estimation)是通过摄像头获取的图像序列中检测人脸的位置,进一步对人脸的姿态进行估计的方法。人脸检测的方法主要有通过单目摄像头进行Haar特征检测,也有通过红外摄像头利用光谱特性进行人脸检测；人脸特征点跟踪的主要方法有通过灰度特征进行跟踪等；姿态估计的主要方法有通过特征点之间的几何关系进行估计,还有通过双目摄像头获取3D模型进行估计等。头部姿态估计包括了人脸检测,特征点跟踪,姿态估计等。本文着重对于基于ASM模型(主动形状模型)的跟踪技术进行了研究,本文通过对MUCT人脸数据库选取特征点进行标定筛选,在此基础上完成形状模型,块模型的训练,建立了ASM模型。针对ASM模型的初始化要求,本文通过训练计算MUCT数据库中每一个特征形状向量与其人脸边界的关系,初始化时通过Haar特征检测出的人脸边界,结合训练结果共同完成初始化,通过实验证明该算法可以有效的针对正面人脸进行初始化。针对在跟踪过程中会产生漂移的情况,本文提出了结合基于Adaboost算法的ASM人脸跟踪算法,实验结果证明,在脸部消失或者出现遮挡的情况下,可以有效地提高检测的鲁棒性,能够较快地重新初始化,恢复跟踪。在ASM模型的基础上通过特征点的几何信息,计算出人脸姿态,并且改进了原有的算法,将图像进行旋转,使得Theta方向上的角度为0,再计算其他两个方向角度,实验证明该算法提高了角度估计的精确度。本文研究并提出了OpenCV与LabVIEW混合编程的方法,在LabVIEW平台上实现了头部姿态估计,并且根据给出的头部姿态,通过控制PTS302监控云台,实现了一个通过头部姿态控制监控摄像方向的系统。