赵 磊， 王增才， 王晓锦， 张万枝

(山东大学 机械工程学院，山东 济南 250061)

列车与其他交通方式(如汽车和飞机)相比，安全性较高，但是一旦发生事故，带来的人员伤亡和经济损失是巨大的，而驾驶员注意力不集中占列车事故发生原因比例最高[1]，在列车长时间高速行驶的时候，单调的驾驶环境非常容易引发驾驶员的疲劳,因此为了保证驾驶员和旅客的人身安全，对驾驶员疲劳的识别是非常有必要的，而头部姿态的变化对驾驶员面部疲劳特征参数的分析有很大的影响。因此，头部姿态估计是一个非常重要的检测对象。

目前的头部姿态估计的方法主要分为两类：基于2D面部特征的估计和基于3D面部特征估计。前一种估计方法主要是建立2D的面部特征与3D的头部姿态参数的数学关系，利用2D面部特征的学习方法对头部姿态进行估计。其中比较代表性的是Wu等[2]通过对面部的5个特征点进行多粒子滤波器跟踪，通过已精确定位头部5个特征点之间的相对几何关系对头部姿态进行分析；陈振学等[3]利用Adaboost算法对眼睛和嘴巴进行和定位，通过分析这3个点构成的特征三角对头部姿态进行估计；朱淑亮等[4]借助人脸正面的图像信息建立人脸特征三角形，详细分析了3种头部姿态；刘志勇和王珏[5]利用流形学习中的局部线性嵌入算法计算头部姿态参数；路玉峰等[6]采用非线性核变换的算法分析头部姿态参数，取得了较好的精度；张万枝等[7]采用Adaboost算法对驾驶员的眼睛进行定位，然后在眼睛已定位的基础上利用H分量确定嘴巴位置，建立面部三角形，根据三角形的位置变化对头部姿态进行估计；……