針對行人的主動安全一直以來都是智能駕駛領域非常關注的話題,車載相機獲取的主要為遠距離低分辨率圖像。已有的針對遠距離低分辨率圖像的人體頭部與身體姿態(tài)估計方法,主要采用傳統(tǒng)的特征提取方法,檢測精度較低。傳統(tǒng)的頭部姿態(tài)與身體姿態(tài)聯(lián)合估計方法局限于構建空間與時間模型,模型過于復雜,且實時性低。對此,本文主要開展了如下研究工作:（1）將深度卷積神經網絡（CNN）方法應用于人體頭部與身體姿態(tài)估計。相比傳統(tǒng)方法人工設計的特征,深度卷積神經網絡中的卷積層,能夠自動學習最優(yōu)特征。其訓練過程中的反向傳播機制,使得網絡收斂于全局最優(yōu)解。本方法在CAVIAR頭部姿態(tài)數據集上取得的Accuracy1精度為86%,在TUD身體姿態(tài)數據集上取得的Accuracy1精度為83%。相比于傳統(tǒng)算法,不僅精度得到了明顯提升,而且具有實時性。（2）將基于多任務學習的深度卷積神經（MTL-CNN）方法應用于人體頭部與身體姿態(tài)聯(lián)合估計。針對現有方法將頭部姿態(tài)估計與身體姿態(tài)估計任務分開進行的不足,考慮到頭部姿態(tài)估計任務與身體姿態(tài)估計任務的相關性,將人體頭部姿態(tài)與身體姿態(tài)進行聯(lián)合估計。本方法提出的多任務學習模型相比于單任務模型具備更... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：90 頁

【學位級別】：碩士

【部分圖文】：

頭部姿態(tài)估計角度示意圖

電子科技大學碩士學位論文度差，以此獲得圖像內較為顯著的變化信息。頭部姿態(tài)信息可以視作為臉殊區(qū)域的邊緣或者外形信息，在低分辨率圖像中邊緣或者外形信息非常對光照不敏感的圖像變化。頭部姿態(tài)也可以視為給定圖像的特殊區(qū)域的，作者將一張圖像表示為基于像素的強度變化圖，利用強度變化圖，特定的變化可以用于描述頭部姿態(tài)的變化。作者使用歸一化的局部與全局強來辨別不同姿態(tài)間的區(qū)別，并且使用 sigmoid 函數來將特定值的微分輸出，以及能將較大的微分值控制在合理范圍之內。ee[41]提出一種基于壓縮傳感的人體頭部姿態(tài)估計算法，利用提出的廣泛且波器組將頭部圖像映射到高維特征空間。濾波器組包含多通道、多尺度、波器，濾波器組用于產生顏色和梯度信息的稀疏響應，這些信息能被隨機，且能被隨機森林方法分類。系統(tǒng)原理圖如圖 2-4 所示。特征空間隨機森林

第二章 人體姿態(tài)估計算法綜述一種方案將姿態(tài)表示為單位圓上的 2D 點，然后在訓練網絡時使用 L2 損失函數，在測試階段，網絡的輸出的 2D 點不必須位于單位圓上，使用反 tan 函數映射為角度值；第二種方案同樣使用單位圓上的點來表示，但是使用角度差損失函數代替L2 損失函數；第三種方案明顯區(qū)別于前兩種方案，將連續(xù)的角度估計轉化為離散角度估計問題，使用標準的 softmax 函數獲得每個類別的概率。在測試階段，使用mean-shift 算法將離散的姿態(tài)輸出轉化為連續(xù)的姿態(tài)輸出。離散姿態(tài)均勻部分在輸出圓空間上，mean-shift 算法就是在圓空間尋找最可能的連續(xù)姿態(tài)。實驗結果證明第三種方法效果優(yōu)于前兩種方法，其流程結構圖如圖 2-5 所示。輸入圖像特征圖特征圖離散姿態(tài)

【參考文獻】：
期刊論文
[1]基于后驗多重稀疏字典的多姿態(tài)行人檢測[J]. 谷靈康,周鳴爭,汪軍,修宇.  系統(tǒng)仿真學報. 2017(02)
[2]一種基于深度卷積網絡的魯棒頭部姿態(tài)估計方法[J]. 桑高麗,陳虎,趙啟軍.  四川大學學報(工程科學版). 2016(S1)
[3]輔助駕駛系統(tǒng)中駕駛員頭部姿態(tài)估計關鍵問題研究[J]. 李榮,齊曉杰,鮑宇,史士財.  黑龍江工程學院學報. 2015(05)



本文編號：3561162