一、项目背景
当前，人工智能技术发展迅速，计算机视觉与模式识别是当前图像领域的研究热点，得益于计算机硬件的发展，如GPU等硬件，深度学习在许多领域得到了广泛关注，人们利用它处理各种场景下的应用，比如安防、火灾预警、气候预测、教育教学、智能交通等方面。其中，人体的行为识别、姿态识别对安全领域、教育领域以及道路交通方面有极其重要的作用，是实现智能化的关键一步。人脸检测识别是智能安全方面的关键技术，包括人脸检测、人脸跟踪、人脸关键点定位以及表情识别，姿态识别等方面，但是随着社会发展，人们对信息安全以及智能化程度的要求增加，人体姿态以及行为识别被广泛研究，同时，人工智能相对应的智能硬件发展势头良好，人机交互以及智能监控对于人体的姿态特别是头部姿态提出了较高的要求，头部姿态作为人脸识别和姿态分析的交叉领域，有很大的研究价值。人脸识别技术虽然发展和研究的时间比较长，但是并没有完全达到人们的预期目标，对于很多场景和条件下的应用还有很大的挑战，因此该项技术仍然是当前计算机视觉领域的一项研究热点。
头部姿态估计作为动机检测、人脸识别研究中的一项关键技术，已经成为计算机视觉领域一大研究热点，引起越来越多科研工作者的关注。其中，在人脸识别领域中最具指导意义的FE-RET和FRVT2002测试报告中指出：许多人脸识别系统对于正面的人脸图像能够表现出很好的识别性能，但是对于越来越多的人脸姿态角度，它的识别准确率会严重下降，解决头部姿态估计问题是提高人脸识别系统性能的一个重要的途径。头部姿态不仅可以反映人的思维意识，还可以反映人脸朝向和眼睛的注视方向。因此，头部姿态估计也是人际交互及心理意识理解领域的一个重要组成部分。
总之,形成的这些多种头部姿态估计的方法，可以适用于多种场景,在智能安全技术方面有着很大的应用价值：在教育教学领域,先进智能的教学评估系统可以为教学质量和课堂授课情况进行完整和实时的精准评估：在智能交通领域，针对行人检测、驾驶员疲劳检测以及驾驶员姿态评估等方面，面部识别和头部姿态估计技术可以很好地提供相关信息，为保证人们生命安全和交通秩序提供辅助信息；在计算机视觉广泛研究和应用的大背景下，对于姿态估计这一研究课题，还有许多难题要攻破，许多技术方面的研究还需要被进一步突破，使人工智能得到进一步完善和发展。
二、国内外研究现状
目前头部姿态跟踪的方式主要有基于设备和基于计算机两种。基于设备的头部姿态跟踪准确性高，方便快捷，不需要进行其他的处理，但是需要在头上佩戴传感器，传感器价格昂贵，且使用起来不方便，因此适用于精度要求比较高的特殊用途中。基于计算机的头部运动姿态检测，使用简便，使用者没必要佩戴任何的额外的检测设备，实时性高，应用前景也更加广阔：但需要进行一系列的图像处理，数据分析、计算等分析步骤。鉴于基于计算机的头部运动姿态检测的优点，特别是它的简便性，使其应用更加广泛，目前在人脸识别、视频会议、表情识别等等领域已得到了实际应用，简便而实用，成为这些领域必不可少的部分，同时也是计算机视觉领域研究的一个大热点。
虽然越来越多的学者研究头部姿态估计综述论文，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和研究状况，但基本都是基于静态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。
按时间顺序查看头部姿势估计的进展情况，我们注意到该领域取得了一些令人鼓舞的进展。近年来，人们越来越意识到需要强调姿势变化而不是图像变化的比较指标。这种趋势表现为外观模板的消亡和非线性流形嵌入方法的爆炸。粗头姿势估计也在消失，因为最近的工作集中在精细估计和多个自由度上。因此，在过去几年中引入了新的数据集，可以在具有挑战性的环境中进行更准确的评估。我们觉得仍有很大的空间可以继续改进。基于模型的跟踪算法已显示出巨大的希望，但它们需要对标准数据集进行更全面的评估才能了解其潜力。几何方法尚未充分发挥其潜力，但现代方法可以自动且可靠地检测面部特征位置，并且这些方法应该继续发展。观察到的另一个重要趋势是过去几年中头部姿势出版物数量的增加。这可能表明更多人对这一领域产生了兴趣，新方法的发展周期更为迅速。
三、现有方法介绍
随着深度学习的快速发展，许多学者采用深度学习的方法来研究计算机视觉任务，同时在头部姿态估计领域也取得了较好的结果，Osadchy等人采用卷积网络将人脸图像映射到由姿势参数化的低维流形上的点，并把非人脸图像映射到远离该流形的点处。给定图像，检测面部并估计其姿势被视为相对于面部/非面部二进制变量和连续姿势参数使能量函数最小化，同时使得检测和姿态估计训练的系统在两个任务上比分别为每个任务训练的类似系统更准确，做出了头部姿态和深度学习方法相结合的开创性工作。Mukherjee等人采用GoogLeNet构建网络模型，结合分类和回归两个模型来估计近似回归置信度，通过测量真实点和预测点之间的L2距离来估计人体头部的姿势。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
