摘 要

本文设计了一个基于随机森林算法的实时头部姿态估计系统。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，结合随机森林回归方法估计头部姿态。

针对头部姿态估计，提出了一种基于随机森林的头部姿态估计算法。现有算法只能使用高质量的人脸图像作为输入，并且缺少人脸数据。在随机森林叶子节点的分裂机制中，提出了一种结合两种措施的优化方法，通过回归测度来估计头部位姿，增加了一个分类度量来解决头部区域分割问题。实验中，在基于Xtion PRO的实时头部姿态估计软件中将纹理信息添加到原始几何特征通道中，达到优化识别率的目标，完成基于随机森林的头部姿态估计模型，结果表明，所提出的两种测量模型可以解决头部分割和估计问题。该系统对局部头部遮挡有一定作用，也可以有效地实时准确地估算出头部。

关键词：头部姿态估计；随机森林；监督学习；实时；深度图像 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 回 归 方 法估 计 头 部 姿 态

本 文设 计 了一 个 基 于 随机森林 方 法 的 实 时头 部 姿 态估 计 系统 。 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 回 归

方 法估 计 头 部 姿 态

Abstract

This paper designs a real-time head pose estimation system based on random forest algorithm. The head pose estimation problem is transformed into a classification problem. Positive and negative sample sets are marked. Samples are added in the form of class labels, and the head posture is estimated by using the random forest regression method.

A head position pose estimation algorithm based on random forest is proposed for the head position pose estimation problem. The existing algorithm can only use the high-quality face depth image as the input and the defect that the face data is missing. In the random forest branch node splitting mechanism, the classification measure is added to solve the head region segmentation, and the regression measure is used to estimate the head. In terms of position and position, an optimization method combining two measures is proposed. At the same time, texture information is added to the original geometric feature channel to optimize the recognition rate, and a head pose estimation model based on a random forest is completed. A real-time head pose estimation software system based on Xtion PRO is used to experiment with this algorithm. The results show that the proposed two measurement models can solve head segmentation and pose estimation problems well. The system can accurately estimate the head in real time. Possibility and robustness to partial head occlusion.

Key Words: Head Pose Estimation; Random Forests; Supervised Learning; Real-time;

Depth Image

目录

第1章 绪论 1

1.1 研究背景 1

1.2 研究现状 1

1.3 头部姿态估计的意义 2

1.4 头部姿态估计的难点及待解决的问题 3

第2章 头部姿态估计与随机森林算法 6

2.1 头部姿态估计定义 6

2.2 头部姿态估计性能 6

2.2.1 平均绝对误差 6

2.2.2 平均准确率 7

2.3 头部姿态估计方法 7

2.4 随机森林算法定义 8

2.5 随机森林算法实现过程 9

第3章 基于随机森林的实时头部姿态估计算法 10

3.1 基于随机森林的分类回归模型训练 10

3.2 基于随机森林的头部姿态估计 11

3.3 系统的设计与实现 12

3.3.1 系统总体架构 12

3.3.2 深度图像数据获取 13

3.4 实验与算法分析 13

第4章 结语 16

参考文献 17

致谢 19

第1章 绪论

1.1 研究背景

现如今计算机相关技术和互联网技术发展迅猛，互联网或监控设备“监视”着越来越多人们的一举一动，这就导致了有关生活中人类行为的数据呈爆炸式増长，我们已经在不知不觉中进入了“大数据”时代。在大量的数据挖掘与分析下，模式识别判读，图像处理，知识管理与决策，机器学习多领域交叉学科，计算机技术及信息管理等通过现代计算机和管理系统的应用在人类生活中应用越来越多，在帮助人们做决策和预测行为方面发挥重要作用，而不是像以前那样只处理一般的计算和配置任务。

人的头部姿态和手势包含非常丰富的交互式信息，头部姿态倾向于在特定的应用场景中暗含一些特殊的含义。例如，在课堂上老师的头部姿态可以反映他感兴趣并想要与之交互的对象；学习者的头部姿态可以反映学习者对学习的兴趣和他们的关注；在说话的同时，头部姿势也可以对对方话题产生确凿的回应。也就是说，在日常生活中，人们经常摇头表示不同意发言者的意见，同时点头表示支持；在一些心理学的角度来看，头部姿态依然可以反映人的心理状态，比如左顾右盼可能体现内心的紧张和胆怯，持续的点头可能会是因为人体疲劳；在一些智能监控场景中，头部姿势还可以反映监控对象的异常行为，尽早进行干预。在日常生活中，人们可以非常自然的获取这些信息，从而产生自然的交互，但是让计算机去识别和监测这些信息却并不那么容易。^[1]

1.2 研究现状