[发明专利]一种基于累计属性的头部姿态估计方法

摘要

本发明提供了一种基于累积属性的头部姿态估计方法。首先采集一定数量的头部图像，并记录头部头像对应的头部姿态；之后，对图像提取梯度方向直方图特征，并将头部姿态转化为累积属性；然后，建立头部图像的梯度方向直方图特征和累积属性之间的映射关系，以及累积属性和头部姿态之间的映射关系；最后，给定一幅待估计姿态的头部图像时，提取梯度方向直方图特征，并根据上述学到的映射模型映射到累积属性，再从累积属性映射到头部姿态角度。由于上述创新，使得本专利提出的头部姿态估计方法有较为理想的估计准确性。

主权项

一种基于累计属性的头部姿态估计方法，该方法包括：步骤1：采集N幅包含不同姿态的头部图像，并根据采集每幅图像时各图像对应的标记头部俯仰、偏航和旋转角，即头部姿态做记录，yn的第一维表示俯仰角，第二维表示倾斜角，第三维表示旋转角，下标n表示第n幅图像；步骤2：将彩色图像转换为灰度图像，若采集图像已为灰度图像则无需进行转化；步骤3：将步骤2中得到头部图像归一化为大小为64×64像素的归一化图像，并提取梯度方向直方图特征，并记任意第n幅图像对应的梯度方向直方图特征向量D表示该梯度方向直方图特征向量的维度；步骤4：将所有N幅图像对应的梯度方向直方图特征向量按顺序排列可以得到输入数据矩阵X，即X＝[x1，x2，...，xN]；步骤5：将N幅图像对应的头部姿态转化为对应的累积属性，对于任意一幅图像对应的头部姿态yn，将其第k维ynk(k＝1，2，3)转化为累积属性，转化方法为：anjk=1j≤ynk+180+1,j∈[1,361]0j>ynk+180+1,j∈[1,361]]]>最后由j＝1，...，361构成的累计属性向量将姿态数据的每一维都进行这样的变换，最后可以得到姿态yn对应的累计属性向量这里H＝361×3，将所有图像对应的累计属性向量按顺序排列为矩阵A＝[a1，a2，...，aN]；步骤5：将N幅图像对应的头部姿态向量按顺序排列为数据矩阵Y，即Y＝[y1，y2，...，yN]；步骤6：通过栈式自编码模型建立梯度方向直方图X＝[x1，x2，...，xN]和累计属性A＝[a1，a2，...，aN]之间的非线性映射关系，栈式自编码的参数用符号θ表示，目标函数为：J(θ)=-1NΣn=1NΣj=1H{anjloghj(xn)+(1-anj)log(1-hj(xn))}+λ2||θ||2]]>其中hj(xn)是栈式自编码对输出向量第j维元素为1的概率估计，anj表示第n个样本对应的累计属性向量的第j个元素，λ控制约束项‖θ‖2的强弱，进一步的hj(xn)的最后一层都是对应二值(0/1)逻辑回归模型；步骤7：利用后向传播算法求解步骤6中目标函数关于网络参数每一个元素的偏导数，由此得到关于θ的梯度，即步骤8：初始化参数θ，初始化的原则是随机初始化，之后利用梯度下降算法调整网络参数，使得输入信号的重构误差最小；步骤9：利用步骤7中得到的梯度利用梯度下降法得到将输入特征映射到累计属性时的网络最佳参数；步骤10：将X＝[x1，x2，...，xN]作为输入，送入到步骤9中学到的栈式自编码模型中，并得到对应的累积属性估计值向量a^n=(h1(xn),...,hH(xn))T]]>最后得到所有图像对应的累积属性矩阵步骤11：利用随机森林方法估计累积属性和目标姿态Y＝[y1，y2，...，yN]之间的映射关系；步骤12：当给定一个新的头部图像时，我们先利用步骤9中学到的栈式自编码模型估计对应的累积属性，在利用步骤10中学到的随机森林模型将累积属性映射到姿态。