目前,头部姿态估计技术已经在很多领域中得到广泛的应用,比如人脸识别,注视方向估计等。头部姿态估计作为这些系统的重要和基础环节,对其进行研究是非常必要的。它涉及到模式识别,图像处理,计算机视觉等多种学科。基于表观方法的头部姿态估计算法遵循两个步骤：特征提取和分类器设计。由于人头部自然属性的差异以及采样时环境的影响,使得不是所有的特征都适用于估计头部姿态。因此,本文在对几个常用特征研究的基础上,提出了HOG特征对于姿态估计的优越性,进而提出HOG-LBP特征融合,大大提高了姿态估计的识别率。分类器选择的是支持向量机。本文在特征提取阶段采用HOG特征。在计算HOG特征时引入积分图,即在每个方向区间上构建一个积分图,这样加快了特征计算的速度。由于单一的特征会使头部重要的描述信息丢失,HOG特征提取的是图像的形状信息和边缘信息,忽略了头部的纹理信息,因此考虑增加人脸识别中常用的纹理特征LBP,通过将HOG与LBP结合起来,使之能够对最终的结果有很好的描述。在分类器设计阶段选择经典的支持向量机算法,多分类分类器的设计时,5类采用一对一方法的有向图,11类采用的是一对一方法与树形结构相结合的方法,减少了识别所需的模型数,加快了识别速度,提高了系统的性能。在实验中,首先设计一系列的实验得到了本文HOG特征最优参数。然后做实验得到HOG特征优于Gabor特征和灰度特征。最后进行的实验说明了本文方法的优越性：以往只用HOG特征,5类姿态识别率为93%左右,本文的HOG+SVM与HOG-LBP+SVM方法将识别率提高到98%；同时本文也尝试优化了分类类别,将姿态分成11类,在两个图像库上进行实验,HOG-LBP特征相较于HOG特征,识别率都有近10%的提升。