心智与计算,Vol.5，No.1(2011),：MC-2011-03-5收稿日期：2010-12-15出版日期：2011-3-15©2007MC–厦门大学信息与技术学院视频图像头部姿态估计技术及应用研究陈书明，陈锻生(华侨大学计算机科学与技术学院福建厦门361021)Shj4009@163,dschen@hqu.edu摘要：在视频应用中准确地估计出头部姿态有利于捕捉特定姿态的人脸特写，也有助于进一步研究人的注意力。本文针对视频监控人脸跟踪的实际应用系统，研究一种实用的头部姿态估计技术。首先采用MeanShift和粒子滤波算法进行头部跟踪，然后采用局部保持投影方法进行估计头部姿态,最后根据期望的姿态捕捉人脸特写,以便进一步的人脸识别应用。实验表明，该方法能有效地跟踪人的头部图象并较好地估计头部姿态。关键字：头部姿态估计；MeanShift；粒子滤波；流形学习；LPP目前，在计算机视觉领域出现很多应用系统，如步态识别系统,语音识别系统，情感识别系统等。同时,头部姿态估计也是计算机视觉领域中一大热点，头部姿态是某一时刻人的头部特写，头部姿态的变化可以用在智能环境中分析被关注目标的注意力[1]，如在会议中，通过姿态估计分析参会者注意力是否集中，在上课中，通过头部姿态检查学生的注意力是否集中。因此，头部姿态估计在实际应用中有很重要的意义。本文针对头部姿态在应用中的重要性。通过威视淩志MVPCI-V300图像采集卡和SonyEVI-D31监控头设备获取图像，在OpenCV的快速人脸检测基础上，采用MeanShift和粒子滤波实时跟踪头部，实时获取不同姿态的头部；然后从对这些获取的头部姿态进行LPP降维；最后采用SVM进行分类估计出头部姿态。1视频头部跟踪技术1.1MeanShift算法MeanShift[1][2][3]是一种基于外部特征的跟踪算法，能对非刚性目标进行实时跟踪．通过MeanShift的迭代运算，可在当前帧中搜索与目标模板亮度分布最相似的潜在目标，这两者之间的亮度分布相似程度用Bhattacharyya距离来度量[6]。Bhattacharyya距离值是根据潜在目标的亮度P和目标模板的亮度q的估计值得到的(亮度q和采用直方图的形式表示)，中心位置为Y的潜在目标与目标模板之间的Bhattacharyya距离的离散估计值可根据下式获得，即：其中，特征向量u表示目标的颜色，表示目标模板的概率分布，表示位置为y的潜在目标的特征概率分布。m是直方图p和q的量化层，两种分布的差距定义为：作者简介:陈书明，男，1982年生，硕士生，主要研究方向为图像处理与模式识别．陈锻生，男，1959年生，教授，博士，硕士生导师，主要研究方向为图像模式识别与计算机视觉．通讯地址：shj4009@163统计量d是最优的，对目标尺度的变化不敏感，因此对于随机分布密度很有效。d比Bhattacharyya距离、Fisher线性判别式等的效果更好。因此可以看出，目标跟踪就是要在前帧中搜索到与目标模板亮度分布相近的潜在目标。目标模板表示目标模板中像元的位置，目标中心为0。是像元x在直方图中的夜色索引值。，k是一个凸的单调下降函数，此函数给目标中的像元分配权值。由于跟踪目标受到背景和一些遮挡的影响，周边像元可能性低，因此离中心越远的像元分配的权值越小，这样处理可以提高估计值的鲁棒性。若x和y都是用和归一化后的标准坐标，则概率密度为：其中，是kroneckerdelta函数，C是规范化常数，即其中潜在跟踪目标表示位置Y的潜在跟踪目标像元位置，同样用权值函数K给像元分配权值，潜在跟踪目标中颜色u的概率定位为：常量h表示潜在跟踪目标的尺度(像元总数)，而与y无关，若给定y和h即可算出值。跟踪过程的实现采用下述的方法：假设当前帧的位置,若以此为起始点进行目标搜索，首先计算当前帧中位置的潜在目标的颜色概率，然后最小化距离d，也即最大化Bhattachayya距离ρ，具体Bhattachayya距离最大化过程如下：1）根据当前帧位置，初始化当前帧中目标位置，计算分布概率，以便得到2）根据确定权值3)确定目标的新位置更新目标位置并算出4）当，则。5）若则结束，否则令，返回到(1)。因此，对于给定的初始位置和目标模板，充分利用运动预测和帧间的相似性，在当前帧的预测邻域内进行搜索，采用上述算法最小化距离d就能实现最优目标跟踪。在跟踪过程中，为防止MeanShift漂移误差的传递，结合模...