基于多子空间嵌入的头部姿态估计方法.pdf

《基于多子空间嵌入的头部姿态估计方法.pdf》由会员分享，可在线阅读，更多相关《基于多子空间嵌入的头部姿态估计方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910115895.6 (22)申请日 2019.02.15 (71)申请人 苏州纳智天地智能科技有限公司 地址 215000 江苏省苏州市苏州工业园区 胜浦新胜路366号1商幢109室 (72)发明人 孙嘉堃吴成百程诚王旭光 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/46(2006.01) G06K 9/62(2006.01) G06T 7/73(2017.01) (54)发明名称 一种基于多子空间嵌入的头部姿态估计方 法 (57)摘要 。

2、本发明公开了一种基于多子空间嵌入的头 部姿态估计方法及系统， 用于估计原始脸部图像 的头部姿态， 包括偏航角、 俯仰角和滚转角， 所述 的方法包括HOG(HistogramofOriented Gradient， 方向梯度直方图 )特征提取， GDCV (GeneralizedDiscriminativeCommon Vectors， 广义判别共同向量)特征降维， 头部姿 态欧拉角度多元回归三个阶段。 第一阶段， 对输 入的人脸图像提取HOG特征。 第二阶段使用广义 判别共同向量方法对特征进行降维处理。 第三阶 段对头部姿态欧拉角度进行多元回归， 这部分分 为两个步骤分别是B样条拟和和多元线性。

3、回归。 本发明减少了在头部姿态估计的过程中， 非约束 环境中的复杂背景、 明暗、 遮挡、 大角度等难点的 影响。 权利要求书2页 说明书4页 附图1页 CN 109871801 A 2019.06.11 CN 109871801 A 1.一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 包括以下步骤： S1、 接收输入的人脸图像， 提取人脸图像的HOG特征； S2、 使用广义判别共同向量对提取的特征进行降维处理； S3、 对头部姿态三个欧拉角度俯仰角， 偏航角， 滚转角进行多元回归。 2.根据权利要求1所述的一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 所 述步骤S1具体包括以。

4、下步骤： (1)对输入的人脸图像进行归一化， 将图片归一为统一尺度， 并标准化Gamma空间和颜 色空间并计算图像梯度； (2)为每个单位空间构建HOG特征； (3)把单位空间组合成稍大的块区， 在块区内归一化HOG特征； (4)整合所有的HOG特征。 3.根据权利要求1所述的一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 所 述步骤S2包括： 使用广义判别共同向量对HOG特征进行降维， 并嵌入到GDCV子空间内。 设训 练样本共有C个类别， 每个类别的样本数为Ni(i1,2,.,C)， 总的样本数为M， 其中MN1+ N2+.+Nc， 为第i类别的第m个样本。 4.根据权利要求3所述。

5、的一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 所 述GDCV子空间的计算步骤如下： i为第i类样本的均值， 为所有样本的均值， 有类间离散度矩阵为： 类内离散度矩阵为： 总离散度矩阵为： 其中： 由矩阵AAT的特征值得到SW的非零特征值对应的特征向量所构成的矩阵Q 1, 1,., d， rrank(SW)； 在每一类中任意选择一个训练样本， 按照下式将样本投影到SW的零空间， 得到该类别的 判别共同向量 由矩阵的特征值得到Scom的非零特征值对应的特征向量wk(k1,2,.,C-1)构 成的最佳变换矩阵Woptw1,w1,.,wC-1； 在每一类中任意选择一个训练样本， 按照下式计。

6、算训练样本第i类的表征向量i 权利要求书 1/2 页 2 CN 109871801 A 2 5.根据权利要求1所述的一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 所 述步骤S3包括： 使用B样条拟和和多元线性回归对头部姿态(俯仰角， 偏航角， 滚转角)进行 估计预测。 6.根据权利要求5所述的一种基于多子空间嵌入的头部姿态估计方法， 其特征在于， 所 述B样条拟和函数为： 首先B样条对训练数据进行拟合曲线Y， 控制点为该曲线拟合， 然后通过多元线性 回归估计曲线Y和最终欧拉角之间的关系， 计算出结果Z， 公式为： ZY + 通过训练集Y和标签Z可以求出： (YTY)-1YTZ。 权利。

7、要求书 2/2 页 3 CN 109871801 A 3 一种基于多子空间嵌入的头部姿态估计方法 技术领域 0001 本发明属于数字图像处理和模式识别领域， 尤其涉及一种基于多子空间嵌入的头 部姿态估计方法。 背景技术 0002 头部姿态估计是指在通过输入一张人脸图像， 得到人脸的朝向信息， 即头部的俯 仰角， 偏航角， 滚转角。 目前国内外在头部姿态估计领域已经进行了大量的研究工作， 主要 研究方向有， 外观模板方法， 检测器阵列方法， 非线性回归方法， 流形学习方法， 柔性模型， 几何方法， 跟踪方法， 混合方法等。 这些方法一定程度上可以解决头部姿态估计问题， 但是 由于实际应用场景复杂。

8、， 图像质量参差不齐， 在复杂的应用场景下， 头部姿态估计表现还具 有不稳定性， 非约束条件下的头部姿态估计仍然是一个难点问题。 发明内容 0003 本发明克服了现有技术的不足， 提供一种基于多子空间嵌入和多元回归的头部姿 态估计方法及系统， 减少了在头部姿态估计的过程中， 非约束环境中的复杂背景、 明暗、 遮 挡、 大角度等难点的影响。 0004 为达到上述目的， 本发明采用的技术方案为： 一种基于多子空间嵌入的头部姿态 估计方法， 包括以下步骤： 0005 S1、 接收输入的人脸图像， 提取人脸图像的HOG特征； 0006 S2、 使用广义判别共同向量对提取的特征进行降维处理； 0007 。

9、S3、 对头部姿态三个欧拉角度俯仰角， 偏航角， 滚转角进行多元回归。 0008 本发明一个较佳实施例中， 所述步骤S1具体包括以下步骤： 0009 (1)对输入的人脸图像进行归一化， 将图片归一为统一尺度， 并标准化Gamma空间 和颜色空间并计算图像梯度； 0010 (2)为每个单位空间构建HOG特征； 0011 (3)把单位空间组合成稍大的块区， 在块区内归一化HOG特征； 0012 (4)整合所有的HOG特征。 0013 本发明一个较佳实施例中， 所述步骤S2包括： 使用广义判别共同向量对HOG特征进 行降维， 并嵌入到GDCV子空间内。 设训练样本共有C个类别， 每个类别的样本数为N。

10、i(i1, 2,.,C)， 总的样本数为M， 其中MN1+N2+.+Nc， 为第i类别的第m个样本。 0014 本发明一个较佳实施例中， 所述GDCV子空间的计算步骤如下： 0015 i为第i类样本的均值， 为所有样本的均值， 有类间离散度矩阵为： 0016 0017 类内离散度矩阵为： 说明书 1/4 页 4 CN 109871801 A 4 0018 0019 总离散度矩阵为： 0020 0021 其中： 0022 0023 由矩阵AAT的特征值得到SW的非零特征值对应的特征向量所构成的矩阵Q 1, 1,., d， rrank(SW)； 0024 在每一类中任意选择一个训练样本， 按照下式。

11、将样本投影到SW的零空间， 得到该 类别的判别共同向量 0025 0026由矩阵的特征值得到Scom的非零特征值对应的特征向量wk(k1,2,.,C- 1)构成的最佳变换矩阵Woptw1,w1,.,wC-1； 0027 在每一类中任意选择一个训练样本， 按照下式计算训练样本第i类的表征向量i 0028 0029 本发明一个较佳实施例中， 所述步骤S3包括： 使用B样条拟和和多元线性回归对头 部姿态(俯仰角， 偏航角， 滚转角)进行估计预测。 0030 本发明一个较佳实施例中， 所述B样条拟和函数为： 0031 0032首先B样条对训练数据进行拟合曲线Y， 控制点为该曲线拟合， 然后通过多元 线。

12、性回归估计曲线Y和最终欧拉角之间的关系， 计算出结果Z， 公式为： 0033 ZY + 0034 通过训练集Y和标签Z可以求出： 0035 (YTY)-1YTZ。 0036 本发明解决了背景技术中存在的缺陷， 本发明具备以下有益效果： 0037 基于多子空间嵌入和多元回归的头部姿态估计， 能够有效地对复杂场景下的人脸 图像进行头部姿态估计， 识别出头部的俯仰角， 偏航角， 滚转角信息， 为人脸特征分析和应 用提供基础帮助。 附图说明 0038 下面结合附图和实施例对本发明进一步说明； 0039 图1为本发明优选实施例的流程图； 0040 图2为本发明优选实施例的处理过程图； 说明书 2/4 页。

13、 5 CN 109871801 A 5 具体实施方式 0041 现在结合附图和实施例对本发明作进一步详细的说明， 这些附图均为简化的示意 图， 仅以示意方式说明本发明的基本结构， 因此其仅显示与本发明有关的构成。 0042 如图1所示， 一种基于多子空间嵌入的头部姿态估计方法， 包括以下步骤： 0043 S1、 接收输入的人脸图像， 提取人脸图像的HOG特征； 0044 S2、 使用广义判别共同向量对提取的特征进行降维处理； 0045 S3、 对头部姿态三个欧拉角度俯仰角， 偏航角， 滚转角进行多元回归。 0046 下面对上述步骤进行具体的介绍。 0047 参见图2， 本实施例提供的一种基于多。

14、子空间嵌入和多元回归的头部姿态估计方 法主要分为三个过程： 一是， 对人脸图像提取HOG特征， 二是， 对HOG特征进行GDCV特征降维， 三是， 通过B样条拟和和多元回归对头部姿态进行估计。 红色部分为参数学习过程。 0048 首先对输入的人脸图像进行归一化， 将图片归一为统一尺度， 并标准化Gamma空间 和颜色空间并计算图像梯度， 再为每个单位空间构建HOG特征， 然后把单位空间组合成稍大 的块区， 在块区内归一化HOG特征， 最后整合所有的HOG特征。 0049 使用广义判别共同向量对HOG特征进行降维， 并嵌入到GDCV子空间内。 设训练样本 共有C个类别， 每个类别的样本数为Ni(。

15、i1,2,.,C)， 总的样本数为M， 其中MN1+N2+.+ Nc， 为第i类别的第m个样本， GDCV具体计算步骤如下： 0050 i为第i类样本的均值， 为所有样本的均值。 有类间离散度矩阵为： 0051 0052 类内离散度矩阵为： 0053 0054 总离散度矩阵为： 0055 0056 其中： 0057 0058 由矩阵AAT的特征值得到SW的非零特征值对应的特征向量所构成的矩阵Q 1, 1,., d， rrank(SW)； 0059 在每一类中任意选择一个训练样本， 按照下式将样本投影到SW的零空间， 得到该 类别的判别共同向量 0060 0061由矩阵的特征值得到Scom的非零。

16、特征值对应的特征向量wk(k1,2,.,C- 1)构成的最佳变换矩阵Woptw1,w1,.,wC-1； 0062 在每一类中任意选择一个训练样本， 按照下式计算训练样本第i类的表征向量i 说明书 3/4 页 6 CN 109871801 A 6 0063 0064 总而言之， 本发明提供的基于多子空间嵌入和多元回归的头部姿态估计方法， 用 于估计原始脸部图像的头部姿态， 包括偏航角、 俯仰角和滚转角， 所述的方法包括HOG特征 提取， GDCV特征降维， 头部姿态欧拉角度多元回归三个阶段。 第一阶段， 对输入的人脸图像 提取HOG特征。 第二阶段使用广义判别共同向量方法对特征进行降维处理。 第三阶段对头部 姿态欧拉角度进行多元回归， 这部分分为两个步骤分别是B样条拟和和多元线性回归。 该方 法可以准确对输入人脸角度进行估计， 可以应用到后续的活体检测， 头部姿态预测等模块。 0065 以上依据本发明的理想实施例为启示， 通过上述的说明内容， 相关人员完全可以 在不偏离本项发明技术思想的范围内， 进行多样的变更以及修改。 本项发明的技术性范围 并不局限于说明书上的内容， 必须要根据权利要求范围来确定技术性范围。 说明书 4/4 页 7 CN 109871801 A 7 图1 图2 说明书附图 1/1 页 8 CN 109871801 A 8 。