检索结果-内蒙古大学图书馆

中国电子科学研究院学报 2025年第1期20卷 41-47页

作者：蓝海倩胡晓宇张加宏南京信息工程大学电子与信息工程学院江苏南京210044 中科南京智能技术研究院江苏南京211135

为了在实际应用中解决遮挡、模糊和极端姿态等情况会显著影响标记点检测的性能,进而影响基于标记点检测的头部姿势估计的准确性和鲁棒性的问题,文中提出一种基于YOLOv5和RepVGG骨干网络的实时无标记点头部姿势估计方法。该方法主要是利... 详细信息

为了在实际应用中解决遮挡、模糊和极端姿态等情况会显著影响标记点检测的性能,进而影响基于标记点检测的头部姿势估计的准确性和鲁棒性的问题,文中提出一种基于YOLOv5和RepVGG骨干网络的实时无标记点头部姿势估计方法。该方法主要是利用YOLOv5的目标检测能力和RepVGG-B1g4骨干网络的高效卷积特性,并在特征融合模块引入非局部自注意力机制提升模型特征表示能力,再结合连续的6D旋转矩阵表示以避免万向锁问题,并在模型训练过程中提出一种多重回归损失函数,实现高效且稳健的头部姿势角度估计。实验结果表明,文中所提方法在AFLW 2000测试集上头部姿势角度估计取得了4.32°的平均绝对误差。

关键词：头部姿势估计无标记点 YOLOv5 RepVGG 6D旋转表示

来源：评论

学校读者我要写书评

暂无评论

頭部特徵點偵測與頭部姿勢估計在擴增實境系統之應用

頭部特徵點偵測與頭部姿勢估計在擴增實境系統之應用

引用

第18届海峡两岸咨询管理发展与策略学术研讨会暨2012两岸咨询发展高峰论坛

作者：黃耀賢孫詩華鄭凱文實踐大學資訊科技與管理學系

擴增實境(Augmented Reality,AR)的應用在近年來越來越受到重視,很多相關應用被開發出來。基本的原理是從影像中找出特徵點(interest point)進行追蹤定位估計,並透過3D繪圖技術在連續的影像視訊中投影出虛擬物件,來達到人與虛擬物件之... 详细信息

擴增實境(Augmented Reality,AR)的應用在近年來越來越受到重視,很多相關應用被開發出來。基本的原理是從影像中找出特徵點(interest point)進行追蹤定位估計,並透過3D繪圖技術在連續的影像視訊中投影出虛擬物件,來達到人與虛擬物件之間互動的效果。擴增實境追蹤的技術可以分成標記式(Marker)和無標記式(Markerless)的追蹤,標記式追蹤技術具有較高的精確度,可是需要不美觀的標記物,限制了他在商業上的應用。

关键词：擴增實境頭部姿勢估計

来源：评论

学校读者我要写书评

暂无评论

基于核主元分析的头部姿势估计

引用

光电工程 2008年第8期35卷 62-65,77页

作者：路玉峰王增才李学勇山东大学机械工程学院济南250061

现有头部姿势估计方法主要是基于几何分析和基于外观线性变换的方法,计算复杂、通用性不强。提出一种新的利用非线性的核变换算法进行姿势估计的方法,根据流形学习理论,不同姿势的高维人脸图像存在一低维流形结构,提取该流形结构可估计... 详细信息

现有头部姿势估计方法主要是基于几何分析和基于外观线性变换的方法,计算复杂、通用性不强。提出一种新的利用非线性的核变换算法进行姿势估计的方法,根据流形学习理论,不同姿势的高维人脸图像存在一低维流形结构,提取该流形结构可估计头部姿势。核主元分析是一种非线性降维算法,能够把这种流形结构嵌入到低维空间。利用核主元分析训练姿势估计曲线,然后把新图像投影到姿势曲线上,利用插值方法估计新投影点对应得姿势角度。核主元分析的方法克服了传统线性估计方法的缺点,实验证明该方法估计效果良好,并给出进一步提高估计效果的途径。

关键词：头部姿势估计核主元分析流形学习非线性降维

来源：评论

学校读者我要写书评

暂无评论

头部姿势估计研究综述

引用

模式识别与人工智能 2014年第3期27卷 213-225页

作者：唐云祁孙哲南谭铁牛中国科学院自动化研究所北京100190 中国人民公安大学刑事科学技术学院北京100038

头部姿势估计的研究成果众多,但缺乏系统、详尽的综述性文献.针对该问题,首先介绍头部姿势的表达方式和头部姿势估计的基本问题,然后从方法依赖的数据源、人工干预程度和实现原理等角度对已有头部姿势估计方法进行分类,并以实现原理为主... 详细信息

头部姿势估计的研究成果众多,但缺乏系统、详尽的综述性文献.针对该问题,首先介绍头部姿势的表达方式和头部姿势估计的基本问题,然后从方法依赖的数据源、人工干预程度和实现原理等角度对已有头部姿势估计方法进行分类,并以实现原理为主线,以所依赖的数据源为辅助,对头部姿势估计问题的研究文献进行详细整理和分析.

关键词：头部姿势估计模式识别计算机视觉人脸识别

来源：评论

学校读者我要写书评

暂无评论

基于彩色和深度信息的头部姿势估计研究与应用

基于彩色和深度信息的头部姿势估计研究与应用

引用

作者：唐云祁中国科学院研究生院

学位级别：博士

头部姿势估计是一个典型而复杂的模式识别问题，在人脸识别、虹膜识别、视线估计等研究领域有着广泛的应用前景，具有重要的学术研究价值。本文以Kinect传感器获取的RGB-D图像为头部姿态估计的数据基础，以实时应用系统为目标，对头部... 详细信息

头部姿势估计是一个典型而复杂的模式识别问题，在人脸识别、虹膜识别、视线估计等研究领域有着广泛的应用前景，具有重要的学术研究价值。本文以Kinect传感器获取的RGB-D图像为头部姿态估计的数据基础，以实时应用系统为目标，对头部姿势估计的各个模块（如图像预处理、特征提取等）展开研究，试图构建统一的深度图像姿态感知模型，来指导头部姿势估计特征设计，并寻找区分性好、鲁棒性强的特征以描述头部姿势的变化规律。具体来说，本文的主要工作和贡献如下:\n ①针对Kinect传感器采集的RGB-D图像，融合深度图像和彩色图像的物理特性，设计了一种新颖的脸部定位分割算法。与传统多姿态人脸检测算法相比，该算法能精确、快速定位大姿态变化下人脸位置。\n ②以人类视觉系统的深度信息处理能力为引导，提出了一个新颖的深度切片姿态感知模型。该模型采用“化整为零”的思想，将整幅深度图像分解成一系列切片，来描述目标的姿态变化规律，比较接近人类视觉系统对深度信息的处理过程，具有实现方式灵活多变、扩展性好和抗噪声能力强的特点。深度切片姿态感知模型为深度图像的表达提供了一个统一框架，为深度图像特征表达的设计提供了理论指导。\n ③基于深度切片姿态感知模型，提出了三种新颖的头部姿势估计特征，它们是切片几何中心描述子、切片局部深度描述子和切片局部方向描述子。其中，切片几何中心描述子采用切片几何中心的归一化坐标来描述切片随头部姿态的变化规律，具有抗噪声能力强的特点;而切片局部深度描述子则不仅使用切片的方式沿像素值增长方向提取局部特征，而且还借鉴LBP的思想在切片图像上提取局部特征，把“局部”的思想运用到了极致;最后，切片局部方向描述子综合切片几何中心描述子和切片局部深度描述子的优点，既借鉴了切片局部深度描述子“多重局部”的思想，又吸纳了几何中心描述子高鲁棒性的特点，具有精度高和鲁棒性好的特点。\n ④在借鉴积分图思想的基础上，设计了切片坐标积分数组、切片深度积分图和切片坐标积分图，将切片几何中心描述子特征、切片深度描述子特征和切片方向描述子特征的抽取工作简化为简单的减法和除法，分别实现了三种描述子特征的快速提取算法，从而保证了头部姿势估计方法的实时性。并且，以当前流行回归方法为工具，实现了三种实时头部姿势估计方法。\n ⑤融合切片局部深度描述子和切片局部方向描述子的特点，设计并实现了一个由粗到精的头部姿势估计系统;同时，基于微软Face Tracking SDK提供的鼻尖位置，实现了一个基于切片方向描述子的实时头部姿势估计系统，并将其应用于人脸识别，提高了人脸识别的易用性。\n 本文的工作为进一步开展人脸识别、视线估计等相关研究打下了坚实的基础。

关键词：头部姿势估计 Kinect传感器姿态感知模型图像预处理特征提取

来源：评论

学校读者我要写书评

暂无评论

流形学习方法及其在头部姿势估计中的应用

引用

贵州大学学报（自然科学版） 2010年第4期27卷 63-65,69页

作者：刘志勇王珏深圳职业技术学院广东深圳518055 中山大学数学与计算科学学院广东广州510275

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视... 详细信息

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视。本文介绍了一些常用的流形学习算法,分析了这些算法的优缺点,并利用流形学习中的局部线性嵌入(LLE)算法于头部姿势估计,取得了较好的识别效果。

关键词：流形学习局部线性嵌入头部姿势估计

来源：评论

学校读者我要写书评

暂无评论

头部姿势估计研究综述

头部姿势估计研究综述

引用

2013年中国计算机学会人工智能会议

作者：唐云祁孙哲南谭铁牛中国科学院自动化研究所北京 100190

头部姿势估计是一个典型而复杂的计算机视觉问题，在人脸识别、虹膜识别、视线估计、表情分析等研究领域有着广泛的应用前景，具有重要的学术研究价值。目前，头部姿势估计的研究成果众多，但是缺乏系统、详尽的综述性文献。针对该问题... 详细信息

头部姿势估计是一个典型而复杂的计算机视觉问题，在人脸识别、虹膜识别、视线估计、表情分析等研究领域有着广泛的应用前景，具有重要的学术研究价值。目前，头部姿势估计的研究成果众多，但是缺乏系统、详尽的综述性文献。针对该问题，本文首先介绍了头部姿势的表达方式和头部姿势估计的基本问题，然后从方法依赖的数据源、方法的人工干预程度和方法的实现原理等角度对已有头部姿势估计方法进行分类，并以实现原理为主线，以所依赖的数据源为辅助，对头部姿势估计问题的研究文献进行了详细整理和分析。

关键词：头部姿势估计模式识别计算机视觉人脸识别

来源：评论

学校读者我要写书评

暂无评论

基于耳机发出之声波估计头部姿势

基于耳机发出之声波估计头部姿势

引用

作者：何瑞祥国立台湾大学

学位级别：硕士

近年来，越来越多的教学机构因为线上学习的诸多好处而采用此教学模式，尤其是在2020年，它成为主流的教学模式之一，并且，自从COVID-19大流行之后，线上学习被更广泛的使用。因此在不侵犯学生隐私的情况下获取学生的头部姿势来评... 详细信息

近年来，越来越多的教学机构因为线上学习的诸多好处而采用此教学模式，尤其是在2020年，它成为主流的教学模式之一，并且，自从COVID-19大流行之后，线上学习被更广泛的使用。因此在不侵犯学生隐私的情况下获取学生的头部姿势来评估他们对课程的参与成度成为一个实际问题。在本文中，我们提出了 AccuSense，这是一个估计头部姿势的系统，此系统是利用现成的音频设备作为追踪设备以收集用户头部姿势的数据，借此来解决隐私问题。为了实现这一点，我们利用人耳不易听见的音频讯号作为系统传送的讯号。我们将传送讯号与影片的原始音频混合，通过耳机播放并由麦克风接收。AccuSense之后会借由估计耳机和麦克风之间的距离来追踪耳机的位置并估计头部旋转角度。距离估计的演算法是基于FMCW，FMCW 是测距系统中常用的一种讯号调变方式。我们进一步取出头部姿势的特征以进行头部是的分类，并使用支持向量机 (svm)对一些例外状况做进一步的分类。我们分别使用三个麦克风和两个麦克风来实现我们的系统。根据我们的系统评估，系统分别以三个麦克风和两个麦克风实做时，分辨头部姿势的准确度分别超过 82%和 75%，耳机轨迹误差分别为2.04公分和 5.82公分，旋转角度误差分别小于4.5度和7度。

关键词：头部姿势估计头部姿势特征追踪系统声音讯号调频连续波雷达

来源：评论

学校读者我要写书评

暂无评论

多流形数据建模及其应用

多流形数据建模及其应用

引用

作者：刘向阳上海交通大学

学位级别：博士

许多数据集可以通过一些简单几何对象的混合来建模,即多流形数据建模,比如众所周知的NIST手写体数字数据集和人脸数据集。有效地模拟及分析这类数据的数学模型是一项具有挑战性的数学问题。在本世纪初的早期工作,建模数据的有效方法是... 详细信息

许多数据集可以通过一些简单几何对象的混合来建模,即多流形数据建模,比如众所周知的NIST手写体数字数据集和人脸数据集。有效地模拟及分析这类数据的数学模型是一项具有挑战性的数学问题。在本世纪初的早期工作,建模数据的有效方法是使用单一流形,其思想是把一组在高维空间中的数据在其潜在的低维空间流形中表示出来,其主要目的是期望寻找产生数据集的内在规律性,即从观测的现象中去寻找其本质。不同于单流形学习,多流形数据建模的目的是把输入数据集分为若干个类别,使得每个类别中的数据点都来自单一、简单、低维嵌入流形。假定一组数据来自于多个流形,多流形数据建模的目标为:分析各子流形的数目和它们分别的维数;数据的划分(数据属于不同的低维流形);数据在对应低维流形的嵌入。多流形数据建模可揭示数据的潜在空间分布规律,为解决多流形结构等复杂的数据,本文从头部姿势估计和人脸识别问题出发提出了几种多流形数据建模方法。主要工作和创新点包括以下几个方面: 1.提出了监督流形嵌入的头部姿势估计方法:很多数据降维的方法可以用于流形嵌入进行头部姿势估计,但面临的困难是如何创建一种有效的嵌入算法,既可以很好地保留姿势信息,又可以忽略掉与姿势无关的图像变化信息,如身份、背景等信息。在引用姿势标签信息的同时使用了身份信息来指导流形学习,本文提出了监督的流形嵌入(Supervised Manifold Embedding, SME)算法,以期望学习头部姿势特征的同时去除身份等信息的影响。实验结果表明:头部姿势图像在低维嵌入空间中有很好的类内聚集性和类间分离性。 2.提出了基于近邻传播聚类的多流形数据建模方法:为进一步学习不依赖于身份的头部姿势特征,本文提出使用多流形来对头部姿势数据建模。一方面,因为身份所带来的变化是在低维姿势空间中流形嵌入的平移,旋转和扭曲等;另一方面,由于身份的变化,严重地影响了单流形嵌入的光滑性和判别性。因此本文提出了基于近邻传播聚类的多流形嵌入(Multi-Manifold Embedding,MME)算法,该算法采用多流形来建模头部姿势图像,每一个流形来刻画具有相似外观的个体的姿势流形。实验结果表明:多流形建模提高了头部姿势估计的准确率。 3.提出了基于投影聚类的多流形数据建模方法:针对个体进行近邻传播聚类时,个体的特征维数很大,导致聚类的有效性降低。因此,本文使用投影聚类的思想方法来解决这个问题,提出了基于投影聚类的多流形数据建模方法,包括三个阶段(寻找相似单纯形、流形嵌入和K流形聚类)来建模头部姿势多流形,减弱了“维数灾难”的影响,实验结果表明:该方法可以提高头部姿势在低维嵌入空间中的类内聚集性和类间分离性。 4.提出了基于组稀疏性和非负性矩阵分解的多流形数据建模方法:使用L1/L2正则化方法来对矩阵分解的系数矩阵H进行列的组稀疏约束,可得到由多个流形投影矩阵组成的基矩阵W。本文提出了组稀疏非负矩阵分解(Group Sparse Non-negative Matrix Factoriza-tion,GSNMF)算法。通过组稀疏和非负矩阵分解把数据空间建模为多流形空间,其中每一流形属于一个类别。对于任意测试图像,可以使用学习到的多流形投影矩阵的线性组合来表示,其得到的表示具有自然的组稀疏特性:仅其对应的相同类别的系数为非零。本文将该算法应用于人脸识别,取得了较好的人脸识别率。

关键词：多流形数据建模流形嵌入组稀疏矩阵分解人脸识别头部姿势估计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的驾驶员分神状态识别方法研究

基于深度学习的驾驶员分神状态识别方法研究

引用

作者：夏嗣礼中国矿业大学

学位级别：硕士

驾驶中的分神行为具有频发性和短暂性,易引发道路安全事故。监测驾驶端并及时预警是降低碰撞风险的有效手段。本文选取能反映行驶状态的头部姿势为研究主体,利用深度学习理论与方法实现驾驶员分神状态的识别,主要研究内容如下:首先,提... 详细信息

驾驶中的分神行为具有频发性和短暂性,易引发道路安全事故。监测驾驶端并及时预警是降低碰撞风险的有效手段。本文选取能反映行驶状态的头部姿势为研究主体,利用深度学习理论与方法实现驾驶员分神状态的识别,主要研究内容如下:首先,提出了一种基于深度学习的头部姿势估计方法。针对实际图像采集过程中存在的光源复杂、明暗变化大以及车辆颠簸震动等不利因素,在实验前增强训练集模拟真实驾驶场景。通过下采样、高斯模糊和边界增强滤波等操作并在过程中引入随机性,迫使模型学习不同成像质量的图片,降低模型对高清图像的依赖度。根据单一回归与分类结合回归两种设计思路改进AlexNet和ResNet,给出5种不同深度的卷积网络。在分类结合回归思路中,对欧拉角进行解耦训练,设置对应的复合损失函数并使用迁移学习的训练策略,最后在各模型上同时验证两种思路的精确性。实验表明,分类结合回归思路的效果更为突出,本文的最优模型HPE101可在数据集AFLW2000上取得5.61°的平均绝对误差,在数据集AFW上取得79.2%（±3°）和92.3%（±5°）的平均查准率,并有一定的抗干扰能力,可胜任模糊环境下的头部姿势估计任务。其次,进行头部框体标注和差异性分析。与公共数据集不同,现实中的驾驶员图像上无任何注释信息,为能更精确地分析头部姿势与分神驾驶间的关系,本文选用深度学习模型RetinaFace进行人脸位置检测,后续通过扩充系数放大边界框,提高头部占比。完成标注后使用模型HPE101计算得出10分类公共分神驾驶数据集SF3D（State Farm Distracted Driver Detection）中各张图片的欧拉角,从定性定量两个角度讨论类间差异。定量角度中的方差分析表明在置信水平95%和90%条件下,安全驾驶与各类分神驾驶在头部姿势上存在统计学意义上的显著差异,且各类驾驶动作的姿势分布在特定的欧拉角区间,为后续识别方法设计提供了特征依据。最后,提出了一种基于连续视频帧欧拉角的分神识别方法。单帧图像无法表达一段时间内的连续信息,以此判别分神状态存在较大的偶然性,因此方法从驾驶端视频入手可完整表达驾驶中的各类头部动作,以分神驾驶理论为依据设置3类分神参数,通过计算欧式距离完成降维,并根据当前成像角度统计得出对应的安全驾驶头部范围与分神阈值。实验表明通过计算待测视频帧的分神参数可清晰地分辨驾驶状态,且对驾驶员观察两侧后视镜的正常驾驶操作有良好的过滤性。该论文有图38幅,表23个,参考文献76篇。

关键词：分神驾驶深度学习头部姿势估计残差网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：