主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
马丙鹏,山世光,陈熙霖,高文.一种基于图像表观的鲁棒姿态估计方法.软件学报,2009,20(6):1651-1663
一种基于图像表观的鲁棒姿态估计方法
Robust Appearance-Based Method for Head Pose Estimation
投稿时间:2007-08-02  修订日期:2008-04-15
DOI:
中文关键词:  头部姿态估计  Gabor 变换  局部费舍尔判别分析
英文关键词:head pose estimation  Gabor transform  local Fisher discriminant analysis
基金项目:Supported by the National Natural Science Foundation of China under Grant No.60673091 (国家自然科学基金); the NationalHigh-Tech Research and Development Plan of China under Grant Nos.2006AA01Z122, 2007AA01Z163 (国家高技术研究发展计划(863)); the 100 Talents Program of the CAS (中国科学院百人计划); the ISVISION Technology Co. Ltd. (上海银晨智能识别科技有限公司)
作者单位
马丙鹏 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190
中国科学院 研究生院,北京 100049) 
山世光 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190 
陈熙霖 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190 
高文 中国科学院 计算技术研究所,北京 100190
北京大学 信息科学技术学院,北京 100871 
摘要点击次数: 3318
全文下载次数: 3740
中文摘要:
      提出一种利用图像的表观特征进行头部姿态估计的方法.该方法首先使用了一维Gabor 滤波器对头部图像进行特征提取,然后对提取得到的一维Gabor 特征进一步使用了基于核函数的局部费舍尔判别分析方法增强特征的判别能力.与传统二维Gabor 特征相比,一维Gabor 特征除了在计算速度和存储空间上具有明显的优势以外,更与姿态紧密相关.而基于核函数的局部费舍尔判别分析方法,能够解决姿态问题中存在的非线性问题和多模态问题.大量的实验结果表明,该算法对于姿态估计问题是有效的.特别需要指出的是,该算法具有良好的推广能力
英文摘要:
      This paper proposes a new pose estimation method based on the appearance of 2D head image. First, the 1D Gabor filters are used to extract the features on the raw images. Compared with the traditional 2D Gaborrepresents, the 1D Gabor represents are more closely related to the head pose, while the advantages of computation and storage are obvious. Second, for the extracted features, a new method, named kernel local fisher discriminant analysis, is applied to eliminate the multimodal problem, while at the same time enhance the discrimination ability.Experimental results show that the proposed method is effective for pose estimation. It must be pointed out that the generalizability of the proposed method is illustrated by the impressive performance when the training dataset and the testing dataset are heterogeneous.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利