基于稠密多变量标签的“连续”头部姿态估计方法
目的:精确的头部姿态估计对于人脸相关的应用,如人脸识别、视线估计、情感分析等具有重要意义。大多数现有的人脸姿态估计方法仅能对训练数据库包含姿态的情况进行估计。为实现对训练数据库不包含姿态的情况进行预测,有学者提出了基于回归的头部姿态估计方法。然而,这些基于回归的方法虽然可以预测连续的姿态,但是却很少有相关的系统性性能评估。
方法:针对训练数据库不包含姿态的估计问题,本文提出使用稠密多变量标签分布表示人脸姿态。通过给样本分配稠密化的多变量标签,可以实现对数据库不包含姿态的情况进行较为准确的估计。
结论:本文方法在Pointing’04数据库上的yaw和pitch方向分别取得了平均绝对误差4.01°和2.13°。此外,在CAL-PEAL,Multi-PIE等公开库上的实验表明,本文方法在训练数据库包含姿态上的预测性能也优于其他比较先进的方法。
关键词:
头部姿态估计,
稠密多变量标签分布,
角度间隔,
不一致性标签