摘要：传统基于特征点的头部姿态估计方法准确性依赖于3D人脸模型和特征点定位精度等因素,易导致姿态估计值不精确、波动性较大。针对姿态估计值不精确的问题,引入误差补偿方法,利用极端梯度提升拟合传统方法估计值的误差,将其与传统方法的结果叠加作为优化的姿态估计值;针对波动性较大的问题,定义视频内头部姿态估计的稳定性,提出基于余弦相似性的稳定性度量,衡量估计值是否反映真实值的变化趋势;引入自适应移动平均对姿态估计值进行平滑。实验结果表明,该方法能有效提高头部姿态估计的准确性和稳定性。

摘要：为解决复杂场景下离散事件系统动态性高引起的分析困难问题,提出了一种基于着色Petri网的离散事件动态系统建模方法。该方法首先对系统进行信息流分析并建立UML模型,然后根据规则将UML模型映射为Petri网模型,再对Petri网模型进行分层并添加颜色集,建立系统的着色Petri网模型。在向着色Petri网模型转换时,首先将动态系统分解为顶层模型和子模型;然后定义不同的颜色集,用来表示系统运行过程中的指令和状态等信息,减少库所和变迁的使用量;接着对子模型的变迁加载守卫条件和时间戳,使模型能够处理系统的并发和顺序性问题;在此基础上为系统库所添加令牌,用于表示系统中流动的信息资源。CPN Tools测试输出的结果,验证了所提方法的有效性,同时也为系统的设计与优化提供了一定的参考。