基于先分类再回归的人头部姿态估计方法.pdf
Wi****m7
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于先分类再回归的人头部姿态估计方法.pdf
本发明公开了基于先分类再回归的人头部姿态估计方法,包括如下步骤:步骤1,处理数据集,构建基于GhostNet的多分类神经网络,并进行训练得到基于GhostNet的多分类网络模型;步骤2,构建基于先分类再回归的神经网络模型;步骤3,训练基于先分类再回归的神经网络、基于GhostNet的分类神经网络,融合两个网络模型;步骤4,用基于先分类再回归的神经网络进行头部姿态估计。本发明的方法提出了任务拆分机制,将头部姿态估计预测三个角度值拆分为三个子任务,分别预测俯仰角、偏航角、滚转角,提高了预测结果的精确度,且大大
基于深度信息的实时头部姿态估计的开题报告.docx
基于深度信息的实时头部姿态估计的开题报告题目:基于深度信息的实时头部姿态估计摘要:人类的头部姿态能够传达重要的情感和意图信息,因此在计算机视觉领域,实时头部姿态估计是非常具有挑战性和重要性的问题。本文提出一种基于深度信息的实时头部姿态估计算法,该算法采用深度摄像头获取人脸深度信息,并使用卷积神经网络(CNN)对头部姿态进行估计。具体地,本文提出一种基于姿态角度区间划分的分类模型,以及一种先验知识引导的回归模型,来预测头部的三个方向上的欧拉角。同时,本文还通过卡尔曼滤波器来提高头部姿态的平滑度和鲁棒性,使其
基于主动形状模型的头部姿态估计的中期报告.docx
基于主动形状模型的头部姿态估计的中期报告一、研究背景与意义头部姿态估计是计算机视觉领域中的一个重要问题。它在人机交互、虚拟现实、视频监控等领域都有重要应用。目前,头部姿态估计技术已经逐渐成熟,但在采集条件受限、复杂背景下仍然存在一定的挑战。常见的头部姿态估计方法包括基于模型、基于特征、基于深度学习等。其中基于主动形状模型(ASM)的方法是一种经典的头部姿态估计方法,它能够利用先验信息对头部姿态进行建模,有效地提高估计的准确性。本项目在此基础上,旨在研究基于ASM的头部姿态估计方法的优化和推广,为实际应用提
头部姿态估计方法及机器可读存储介质.pdf
本发明涉及图像处理领域。本发明一实施例提供一种头部姿态估计方法及机器可读存储介质,所述头部姿态估计方法包括:获取待进行头部姿态估计的三基色彩色图像与深度图像;从所述三基色彩色图像中提取出人脸区域,并基于所提取的人脸区域生成对应于所述三基色彩色图像的人脸灰色图像和对应于所述深度图像的人脸深度图像;提取所述人脸灰色图像所对应的人脸轮廓图像;以及将所述人脸灰度图像、所述人脸轮廓图像和所述人脸深度图像输入至头部姿态估计模型,以由该头部姿态估计模型输出头部姿态估计结果。由此,能够实现基于单帧人脸图像的头部姿态估计,
基于级联纠错机制的人体姿态估计方法.pdf
本发明公开了一种基于级联纠错机制的人体姿态追踪方法,主要解决现有技术对人体姿态估计中手腕定位不准确的问题。其包括:1)利用双向树结构模型定位手腕以外的身体各关节点;2)利用光流和粒子滤波初步预测手腕的位置;3)通过光流响应判断初步检测的结果是否可靠,若不可靠,则利用双向图结构模型来定位手腕的位置;4)利用肤色模型来判断双向图结构模型的定位结果是否可靠;5)若双向树结构模型的定位结果不正确,则再利用上一帧的手腕位置估计当前帧的手腕位置。实验结果表明,本发明能更精确地定位手腕的位置,从而取得更好的人体姿态估计