基于LPP的视频图像头部姿态估计的方法研究

论文摘要

头部姿态估计在注意力检测、行为检测和人脸识别上有着重要的研究意义。局部保持投影算法为人们处理非线性降维问题提供了一种新的思路。作为一种线性降维方法,在头部姿态估计领域具有很大的应用空间。对于头部姿态估计问题,本文研究主要围绕有监督的局部保持投影和异常值的度量方法进行展开。鉴于无监督局部保持投影的流形学习算法对头部姿态估计的高误差性和对噪音的敏感性问题,本文设计正弦偏置距离方法和融入带权值主成分分析方法来改进局部保持投影算法。首先对训练的头部姿态加以姿态标注,并获得各个头部姿态间的正弦偏置距离;然后对所有头部姿态样本点进行异常值的度量,训练出较好的线性映射矩阵,再采用改进后的局部保持投影算法对图像进行降维处理;最后采用支持向量机分类器进行头部姿态估计。用改进的局部保持投影方法进行了头部姿态估计实验。由于融入了正弦偏置距离和带权值主成分分析方法,不仅有效地消除人的身份的影响,还很好地削弱光照变化、表情变化、噪音等因素的影响。并且大量实验也表明:改进后的局部保持投影算法同改进前局部保持投影算法、局部嵌入分析算法相比,无论在静态的头部姿态数据库中,还是在动态的视频流中,头部姿态估计都取得较好的效果。

论文目录

• 论文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景及意义
• 1.2 国内外研究现状
• 1.2.1 基于表观模板方法
• 1.2.2 基于检测器阵列方法
• 1.2.3 基于非线性回归方法
• 1.2.4 基于视频帧跟踪方法
• 1.2.5 基于流形学习方法
• 1.3 头部姿态估计面临的挑战
• 1.4 论文主要工作与结构
• 1.4.1 论文的主要工作
• 1.4.2 论文的组织结构
• 第二章 头部姿态相关技术简介
• 2.1 线性流形学习方法
• 2.2 局部保持投影
• 2.2.1 LPP 基本原理
• 2.2.2 LPP 算法内容
• 2.3 局部嵌入分析
• 2.3.1 LEA 基本原理
• 2.3.2 LEA 算法内容
• 2.4 支持向量机
• 2.4.1 支持向量机的基本理论
• 2.4.2 支持向量机分类
• 2.4.3 支持向量机的多类分类算法
• 2.5 本章小结
• 第三章 图像头部姿态估计
• 3.1 改进的LPP 算法
• 3.1.1 计算样本间距离
• 3.1.2 计算样本相似度
• 3.2 头部姿态估计实验
• 3.2.1 头部姿态数据库简介
• 3.2.2 LPP 改进前后比较
• 3.2.3 LEA 与改进LPP 比较
• 3.3 本章小结
• 第四章 视频图像头部姿态估计
• 4.1 视频头部姿态跟踪
• 4.1.1 头部跟踪中Mean Shift
• 4.1.2 头部跟踪中粒子滤波算法
• 4.1.3 结合两种算法
• 4.2 视频图像头部姿态估计
• 4.2.1 多类SVM 分类器构造
• 4.2.2 实验结果及其分析
• 4.3 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 本文工作展望
• 参考文献
• 攻读研究生期间发表的论文
• 致谢