1.1 研究目的及意义

在计算机视觉领域，头部姿态估计算法有着其很大的研究价值。头部姿态估计通常是指计算机通过对输入图像或者视频序列的分析、预测，确定人的头部在三维空间（相对于摄像机）中的位置及姿态参量。头部姿态估计指的是计算机估计图像中用户头部姿态参数的过程。近年来，头部姿态估计成为计算机视觉领域非常活跃的研究问题。随着计算能力的提高以及摄像机被引入新的领域，准确估计用户头部的朝向和位置变得日益重要，如在驾驶应用中通过估计头部姿态参数来分析驾驶员的驾驶状态。此外，头部姿态估计在人机交互、面部表情分析以及虚拟现实等众多领域有重要的应用。

随机森林算法（Random Forests Algorithm，RFA）是Leo Breiman发展起来的一种新型分类和预测模型，是一种由多个分类决策树组成的组合分类器。RFA方法具有树型分类器运行速度快、需要调整的参数较少、不必担心过度拟合、能高效处理大样本数据、能估计哪个特征在分类中更重要以及较强的抗噪声能力等特点，理论和实验研究都表明，RFA方法能够有效地提高对新样本的分类准确度。

头部姿态估计在许多高层次的人脸分析任务中起着至关重要的作用，然而准确鲁棒的头部姿态估计仍然是具有挑战性的。针对当前流行的Kinect，提出一种基于随机回归森林的准确头部姿态估计方法。将头部姿态估计问题转化成一个分类问题，标记正负样本集，采用样本加分类标签的形式进行训练，结合随机森林方法估计头部姿态。

1.2 国内外研究现状

目前，头部姿态估计领域的研究吸引着越来越多国内外研究者的兴趣与关注。比较著名的国外研究机构就有微软研究院、CMU机器人研究所、MIT人工智能实验室等等。近些年来，虽然越来越多的学者研究头部姿态估计这一课题，但系统综述文献却不多。国外Murphy Chutorian等人于2009年发表第一篇头部姿态估计综述论文，该论文虽详细阐述了2009年以前的头部姿态估计方法及研究状况，但基本都是基于静态头部姿态数据库方面的研究，没有详细地阐述视频头部姿态实时估计方面知识，也缺少对三维图像头部姿态估计方法的总结。国内，唐云祁等人于2014年发表一篇关于头部姿态研究综述论文，在视频实时头部姿态估计方面也未曾介绍。

国内外关于头部姿态估计算法的研究现状有：（1）外观模板匹配的方法将一个新的头部图像与一组已标记好头部姿态模板进行比较，在当中匹配最相似的模板。（2）探测器阵列方法训练一系列的头部探测器，其中每一个都有特定姿态的头部探测器组成，且姿态和探测器具有极好的相关性支持。（3）非线性回归方法用非线性回归工具，将图像或特征值用回归函数映射到头部姿态集。（4）流形学习方法用低维流形学习训练建立连续变化的头部姿态模型，新的图像可以被嵌入进来然后用于模板匹配或回归。（5）非刚性方法将适合的非刚性模型放入图像中的每个人的面部结构中，通过比较具体的模型参数或者特征级别来估计头部姿态。（6）几何方法利用面部特征的位置，像眼睛、嘴巴、鼻尖等来估计与之相关构造的姿态。（7）跟踪方法通过一帧一帧的视频序列中的头部运动，来恢复整体的头部姿态变化。（8）混合方法是将上述方法中的两种或多种方法相结合，进而克服单个方法的局限性问题。

近年来随着对头部姿态估计研究的不断深入，基于判别模型（Discriminative Model，也称条件概率模型）的方法被引入到这一领域中，主要对条件概率分布进行估计。随机森林算法因为具有快速处理大数据的训练能力和高效的在线计算能力，成为近年来机器视觉中处理大数据量的热门方法之一。由Leo Breiman发展起来的随机森林算法因在机器学习中表现出了众多优点，使得随机森林方法在计算机视觉领域也迅速热门起来。随机森林已经应用于实时的2D头部姿态的估计和分类以及3D图像的头部姿态识别。