41、单目头部姿态估计与主动感知的创新方案

单目头部姿态估计与主动感知的创新方案

单目头部姿态估计

在单目头部姿态估计领域，有一系列关键的技术和方法。

纹理映射与模型构建

首先是纹理映射，通过Delaunay三角剖分将平均形状的凸包划分为一组三角形，利用重心坐标将每个三角形内的像素映射到平均形状中对应的三角形，以此建立一个共同的纹理参考框架，消除因形状变化导致的纹理差异。为减少全局光照变化的影响，会应用缩放因子α和偏移量β进行归一化处理，公式为$g_{norm} = (g_i - \beta \cdot 1) / \alpha$，其中1是全为1的向量，归一化后有$g_{T_{norm}} \cdot 1 = 0$且$|g_{norm}| = 1$。通过对归一化纹理应用主成分分析（PCA）可得到纹理模型，表达式为$g = \bar{g} + \Phi_g b_g$ ，其中$g$是合成纹理，$\bar{g}$是平均纹理，$\Phi_g$包含$t_g$个最高协方差纹理特征向量，$b_g$是纹理参数向量。另一种减少光照差异影响的方法是在三个颜色通道中分别进行直方图均衡化。同样，在纹理数据上进行PCA以降低维度和数据冗余，由于维度数大于样本数（$m >> N$），使用低内存PCA。

接着是组合模型，任何训练示例的形状和纹理由参数$b_s$和$b_g$描述。为消除形状和纹理模型参数之间的相关性，对以下数据进行第三次PCA：
$b =
\begin{bmatrix}
W_s b_s \
b_g
\end{bmatrix}
=
\begin{bmatrix}
W_s \Phi_{s}^{T} (x - \bar{x}) \