针对头部姿态估计(HPE)通常会受到人脸姿态、表情和遮挡以及特征提取不准确等因素影响导致识别率不高的问题,提出一种鲁棒的头部姿态估计方法。生成局部二值特征(LBF),通过训练随机森林回归出人脸68个关键特征点提取模型,结合反向传播(BP)神经网络训练分类器识别头部姿态。在CASPEAL-R1和Pointing’04数据集上的实验结果表明:所提方法的头部姿态估计准确率达到了98. 57%,平均绝对误差为3. 90°,解决了人脸关键特征点定位不准确的问题,进一步提高了头部姿态的识别精度。 林获得人脸关键点的位置坐标，然后将人脸关键点位置坐标特征输入反向传播(backpropagation，BP)神经网络进行分类器的训练，最终实现头部姿态的估计，降低了特征提取的复杂度，避免了大量样本的训练过程，同时保证了在头部偏转角度较大情况下的识别率。1基于LBF的人脸特征点提取模型本文采用LBF提取算法来获取人脸的68个关键特征点位置(图1)，本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net头部姿态估计-电动折弯机数控滚圆机滚弧机张家港液压滚圆机滚弧机弯管机包括眼睛、鼻子、嘴、眉毛和人脸边缘轮廓点等。图1人脸68个关键特征点位置基于LBF提取算法采用形状回归的方法通过不断级联预测人脸形状S。对于初始形状S0，通过逐级预测形状增量ΔS，逐渐更新S，在第t级中，预测得到的形状增量ΔSt为ΔSt=WtΦt(I，St－1)(1)式中I为输入图像，St－1为前一级得到的人脸形状，Φt为特征映射函数，Wt为线性回归矩阵。Φt由I和St－1决定，则t级的人脸形状为St=St－1+ΔSt(2)对于每个单独的特征点独立学习局部特征映射函数，进而提取LBF，然后联合所有的局部特征获得Φt，最后通过线性回归学习得到Wt，实现人脸特征点的准确定位。1．1生成LBF式(1)中的全局特征映射函数由一系列的局部特征映射函数构成，即Φt=［Φt1，Φt2，…，ΦtL］，L为特征点数目，每一个局部特征映射函数都可以通过采用回归随机森林［12］的方法得到，通过回归使真实形状增量最小，6由表1～表3可以看出:天平的非线性度最大值为1．17%，重复性最大值为1%，向间干扰最大值为1．72%，表明天平具有良好的使用性能。4结论针对大长径比模型测力天平极易出现的向间干扰大和固有频率低的难题，通过理论分析得到了外力作用位置与向间干扰的关系，通过ANSYS分析得到天平传感器跨距与天平固有频率的关系。根据分析结果，进行了压电天平结构设计。完成了标定试验，结果表明:天平的非线性度、重复性和向间干扰均控制在2%以内，各项精度指标均在误差允许的范围内。该天平具有高灵敏度、高刚度和高固有频率的特点，可实现大长径比测力模型空间多维力/力矩测量。参考文献:［1］唐志共，许晓斌，杨彦广，等．高超声速风洞头部姿态估计-电动折弯机数控滚圆机滚弧机张家港液压滚圆机滚弧机弯管机本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net