头部姿态估计是指通过对视频等输入信息进行处理,提取得到头部的旋转和位移数据。对于智能驾驶辅助系统来说,通过获取驾驶员头部姿态,能够实现诸如疲劳检测、增强现实抬头显示器以及头部姿态语义识别等具有环境感知能力的应用。能够极大地增强驾驶辅助系统的功能和效果。而在复杂的驾驶环境中,光照条件较差,变化程度大。同时受到成本和耐用性等因素制约,车载计算机往往基于移动平台架构,计算性能较弱。这些因素限制了高实时性和高健壮性头部姿态估计算法的实现。在已有的相关研究中,有较为成熟的基于外观模型和粒子滤波器的方法和基于神经网络分类的方法。基于外观模型和粒子滤波器的方法依赖外观信息,对驾驶环境光线变化复杂的情况健壮性较差,同时粒子滤波器的加入也造成了较大的性能负担。神经网络分类方法虽然处理速度较快,但输出姿态的精度低且不连续。针对上述问题,本文提出了一套完整的头部姿态估计系统。基于人脸二维特征点结合对应三维位置进行姿态解算,从而快速得到姿态估计结果。本课题的创新点主要有以下几个方面,首先,提出了一套新的算法流水线,实现了对头面部信息由粗略到精细的逐步提取。其次,基于现有的人脸检测和特征点配准框架,采用更适应于驾驶环境的基于灰度值比较的特征和局部二值特征的方法。同时实现了对头部侧向转动的处理算法。最后,提出了一种姿态估计不稳定性度量方法,根据该度量实现了自适应重检测方法,以根据需要触发重检测流程。在驾驶环境中能有效减少重检测的次数,使得系统具有更好的性能和更稳定的帧率。实验在驾驶环境中进行实测和在实验室环境中进行估计误差测量,并验证了系统算法及相关优化的有效性和实用性。结果表明,本文提出的头部姿态估计系统在驾驶环境中有着较强的健壮性和出色的性能表现,具有良好的应用前景。