基于SSD模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计常用的人脸检测、姿态估计两步串联框架中流程复杂、耦合性高、整体鲁棒性低的问题,提出了一种基于改进SSD模型的人脸检测与头部姿态估计融合算法.通过拓展SSD模型,设计了人脸检测与姿态估计融合网络模型,在多层次卷积特征图上检测人脸,并估计头部姿态;采用端到端训练模式进行模型训练,简化了头部姿态估计任务的处理流程.在Pointing′04和300W-LP数据集上进行了试验.结果表明,本模型能够在满足实时性要求的前提下有效地完成检测任务与估计任务,在两个数据集中的pitch预测平均绝对误差分别达到了4.80°和6.48°,这充分证明了所提出算法的实用性和鲁棒性.     

基于声源定位的头部姿态检测系统研究与实现

研究了声源定位技术在鼾声检测上的应用,主要研究鼾声的声学特性、声源定位技术原理,并利用声源定位技术对人体打鼾时头部姿态进行识别.采用广义互相关函数法对多路声音采集系统采集到的鼾声信号进行延迟估计计算,根据得到的相对时延信息进行声音定位,结合定位信息和朝向信息推断出当前受试者打鼾时头部姿态.采用数据采集卡进行高速信号采集,使用虚拟仪器Labview进行信号处理和算法实现,实验中受试者以不同头部姿态在该系统监测下模拟打鼾,通过该系统检测头部姿态,综合判断正确率达到80%.     

可穿戴式头部摆动姿态检测系统

为解决传统人机交互方式对于部分重度残疾人士或在某些特定场合不适用的问题,设计了一种可穿戴式头部摆动姿态检测系统.首先,由头部摆动姿态检测模块采集头部的原始姿态数据;其次,在时域上分析三轴加速度数据,并利用四元数姿态解算三轴角速度数据;然后,结合三轴加速度和角速度数据确定5种头部摆动姿态相对应的阈值范围,通过滑动窗口法区分指令动作和无意识动作,完成头部摆动姿态检测;最后,采用蓝牙无线通信方式将指令传输至蓝牙子系统模块,并通过串口在上位机显示结果.试验结果表明,该系统可以准确检测头部摆动姿态、区分无意识头部动作,头部摆动姿态检测平均正确率达96%.该头部摆动姿态检测系统具有结构简单、准确率高、成本低、阈值可调等优点.     

基于头部状态的司机疲劳综合检测系统

为了减少由于驾驶员疲劳驾驶引起的交通事故,针对司机的驾驶状态,设计驾驶员疲劳状态检测系统的方案。系统采用多状态检测方式,系统中结合连续驾驶时间和司机面部状态,判断司机疲劳程度。面部状态首先使用3x3中值滤波去除噪声和光照对图像的影响,然后通过肤色模型快速检测,确定人脸区域。再通过积分灰度投影对人眼进行准确定位;最后通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动以及连续驾驶时间的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

基于姿态估计和Transformer模型的遮挡行人重识别

行人重识别是利用人工智能解决边防检查、人员追踪等公共安全应用问题的技术,具有从跨设备采集的图像中识别某一特定行人的能力。但是在人员追踪等问题中,往往会出现行人刻意遮挡、复杂场景环境遮挡等因素,大大提高了行人重识别的难度。针对行人重识别遮挡问题,基于ResNet50网络,结合姿态估计（Pose estimation）和转换器（Transformer）模型,提出了一种改进的行人重识别网络PT-Net,以提高遮挡条件下的行人重识别能力。该方法首先利用现有的姿态估计方法对输入图像进行关键点检测,并将关键点信息与行人特征图像结合起来生成一个基于姿态的行人特征表示;然后利用Transformer模型对基于姿态的行人特征表示编码,用来实现特征对齐和特征融合。论文基于国际公开的数据集Occluded-Duke开展实验验证,结果表明,PT-Net方法相对于基线模型,其均值精度mAP和相似度排序Rank-1指标分别提高了1.3和1.5个百分点,验证了该方法的有效性和优越性。     

基于头部姿态的学习注意力判别研究

学习注意力是学生学习效率的一个重要因素,直接影响学生的学习效果。为了有效监测学生在传统课堂教学中的注意力情况,提出一种基于头部姿态识别的学生注意力判别方法。首先运用卷积神经网络对视频图像的面部特征点进行检测,其次采用比例正交投影迭代变换(pose from orthography and scaling with iterations,POSIT)算法对人脸进行跟踪识别,并对人脸的旋转角度进行计算,根据其头部的倾斜角度对学生注意力进行分析研究。测试结果表明,提出的模型注意力检测准确率为88.7%,可以有效地对学生注意力进行检测,具有较好的应用前景。     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.     

利用深度信息检测驾驶员头部姿态

头部姿态估计是检测驾驶员打瞌睡的一个重要手段.针对传统彩色图像存在的易受遮挡、光照变化和不均匀的干扰,仅仅通过微软公司的Kinect传感器提供的深度图像流,利用具有判别性的随机回归森林实时估计头部的位置和朝向.首先构造决策树,联合决策树生成随机森林,在训练分裂节点过程中同时减小类标签分布的熵值和头部位置和朝向的方差.在训练过程中,考虑到深度图像不仅仅有头部,还包括驾驶员上半身,因此在投票确定头部姿态之前,需要将头部图像块分类出来.最后在模拟的真实车内环境进行实验,结果证明,光照的明暗变化和部分遮挡以及驾驶员的本身的穿戴(例如戴墨镜和戴帽子等)对头部姿态的估计没有影响,本文的方法具有较好的鲁棒性.     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.     

基于分类的头部姿态估计算法的研究

阐述了基于分类的头部姿态估计算法的基本原理,提出了在特定条件下的两种分类姿态估计方法,并且分析了这两类方法的优缺点。     

基于卷积神经网络的目标识别及姿态检测

基于深度学习方法,运用Faster R-CNN目标检测架构和ZFNet卷积神经网络,针对微装配系统目标的特点对网络进行训练,在此基础上设计了一个网络对识别目标进行姿态检测.实验结果表明:采用深度学习方法可以有效地对部分遮挡的目标进行识别并检测其姿态,相比于传统方法,该方法对环境适应性更强且速度更快,具有实际应用价值.     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

基于视觉的目标姿态估计算法

驾驶员头部姿态在一定程度上反映驾驶员的意图。为了避免由驾驶员主观因素造成交通事故,基于计算机视觉的动态头部姿态估计算法,首先检测视频中的正面人脸,以此为基准,利用SIFT算法对视频序列中人脸特征进行匹配与跟踪,计算不同视角下的头部姿态角度,再通过记录不同姿态角度保持的时间来判别驾驶员的行为意识,从而给驾驶员警示,进而避免交通事故。实验表明,该系统可以精确估算驾驶员头部姿态,提高驾驶安全性。     

基于二阶梯度朝向直方图特征的头部姿态估计

定义和提取与头部姿态紧密相关的特征是基于图像表观的头部姿态估计方法的关键步骤。该文提出将二阶梯度朝向直方图特征作为头部姿态图像表示,用于单帧图像的头部姿态估计。首先将图像划分成网格形式,对每个图像单元计算梯度朝向直方图,将相邻若干个图像单元组成图像块,对块内所有直方图元素之间进行成对组合得到成对关系向量,所有图像块的成对关系向量串联起来作为最终图像表示。该图像表示包含高阶的梯度朝向分布统计信息,有很强的姿态描述能力。实验结果表明:该方法比原始的梯度朝向直方图和GaFour等先进方法有更高的分类准确率。     

基于人脸姿态识别的课堂学习状态反馈系统的设计与实现

人脸识别技术是目前计算机视觉中的热门研究方向之一,已经被应用于很多领域。“抬头率”已成为判断学生的专注程度、检验课堂教学效果的重要因素之一。设计开发了基于人脸姿态识别的学生课堂学习状态反馈系统,完成了人脸数据集的采集、制作与训练,并增加了YOLOv5s训练模型的深度和宽度,在保证其速度的前提下提升了识别的准确度。在此基础上,将识别参数Conf与IOU的阈值调整到适当值,使识别结果更加清晰。实验结果表明：改进之后的识别系统在不影响速度的同时提高了识别的准确度;较暗环境下的人脸识别准确度可以达到0.887,能快速识别出学生课堂的学习状态,符合课堂教学实时监测要求;对于有遮挡的人脸识别,其准确度也可以达到0.5以上,满足特殊情况下的人脸识别需求。     

基于VPU加速的嵌入式实时人脸检测系统设计与实现

智能设备高昂的设计费用和庞大的计算资源需求成为在便携式、低功耗设备上实现深度学习算法及其应用的主要障碍.文中基于树莓派平台,借助Intel的视频处理器(V PU)低功耗加速模块,设计并实现了基于残差特征提取模块CNN模型的实时人脸检测系统.结果表明,相较于单纯使用树莓派CPU进行计算,文中方法在视频流中检测人脸和人脸关键点提取的实验中分别实现了18.62倍和17.46倍的加速,在便携式设备中实现快速、实时、在线的人脸检测和特征点提取成为现实,同时为使用便携式、低功耗设备运行深度学习算法提供了一种确实可行的方案.     

一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法

针对LBP算法在提取全局特征时不具有针对性的缺点,提出一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法。该算法引入Harris得到表情图像的角点,同时运用SIFT检测算法得到图像的局部最大最小值,通过Harris算法对SIFT特征点进行过滤,得到表情图像的准确感兴趣点;设计特征点最大区域选取法和特征点周围邻域选取法,将选取的区域作为LBP特征提取的输入图像;运用SVM多分类器得到每种表情的识别率。实验表明,该算法能更有效地提取表情特征,达到较好的识别效果。     

基于DTW的语音识别应用系统研究与实现

DTW算法在实现小词汇表孤立词识别系统时既简单又有效，在特定的场合下获得了广泛的应用。通过对语音识别数学模DTW的研究和改进，实现了一个特定人孤立词，连接词的语音识别系统。     

基于OpenCV的人脸检测系统设计与实现

本文介绍了OpenCV函数库的基本用法,阐述了目前做人脸检测研究中所使用的常用检测算法,并利用OpenCV设计和实现了图像中人脸的检测,试验结果表明利用OpenCV开发人脸检测系统效率高,识别效果好。