基于自适应线性回归的头部姿态计算
收稿日期：２０１５-０７-１３；修回日期：２０１５-０８-２５ 基金项目：国家自然科学基金资助项目（３１１７０８９５）；国防预研基金资助项目；中国航天员中心人因工程重点实验室开放课题（ＨＦ２０１３-ｋ-０６）
作者简介：郭知智，男，北京人，博士研究生，主要研究方向为人脸识别、视线跟踪（１０１６７５９７９７＠ｑｑ．ｃｏｍ）；周前祥，男，湖南新宁人，教授，主要研究方向为图像处理、人因工程；柳忠起，男，河北人，讲师，主要研究方向为图像处理、人因工程．
基于自适应线性回归的头部姿态计算*
郭知智，周前祥，柳忠起
（北京航空航天大学生物与医学工程学院人因工程研究所，北京１００１９１）
摘 要：减少训练样本数量和不使用任何硬件参数是目前头部姿态计算领域的最大挑战。针对这些挑战，提出一种仅需要５４个训练样本的头部姿态估计方法。其基本思想是将关键点间的归一化距离作为输入特征向量，并利用一阶范数最小化稀疏地挑选出一组图片集，这些图片对应头部姿态的线性组合为测试图片的头部姿态。实验表明，该方法在不知道任何硬件参数的条件下，可以实现单方向上３°的头部姿态估计。此外，该方法也适用于不均匀光照条件和头部转动较大的情况，且计算精度高于其他相关方法。关键词：头部姿态；自适应线性回归；特征向量；一阶范数最小化；训练样本
中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１００１-３６９５（２０１６）１０-３１８１-０４ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１-３６９５．２０１６．１０．０６９
Ｈｅａｄｐｏｓｅｅｓｔｉｍａｔｉｏｎｂａｓｅｄｏｎａｄａｐｔｉｖｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ
ＧｕｏＺｈｉｚｈｉ，ＺｈｏｕＱｉａｎｘｉａｎｇ，ＬｉｕＺｈｏｎｇｑｉ
（ＩｎｓｔｉｔｕｔｅｏｆＨｕｍａｎＦａｃｔｏｒＥｎｇｉｎｅｅｒｉｎｇ，ＳｃｈｏｏｌｏｆＢｉｏｌｏｇｉｃａｌＳｃｉｅｎｃｅ＆ＭｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｒｅｄｕｃｉｎｇｔｈｅｎｕｍｂｅｒｏｆｒｅｑｕｉｒｅｄｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｎｄｎｏｔｕｓｉｎｇａｎｙｈａｒｄｗａｒｅｐａｒａｍｅｔｅｒｓａｓｉｎｐｕｔｆｅａｔｕｒｅｓａｒｅｓｔｉｌｌ
ｔｈｅｂｉｇｇｅｓｔｃｈａｌｌｅｎｇｅｉｎｔｈｅｆｉｅｌｄｏｆｈｅａｄｐｏｓｅｅｓｔｉｍａｔｉｏｎ．Ａｉｍｉｎｇａｔｔｈｅｓｅｃｈａｌｌｅｎｇｅｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎａｃｃｕｒａｔｅｈｅａｄｐｏｓｅｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄ，ｗｈｉｃｈｎｅｅｄｅｄｏｎｌｙ５４ｉｍａｇｅｓａｓｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓ．Ｔｈｅｂａｓｉｃｉｄｅａｗａｓｔｏｍａｋｅｔｈｅｎｏｒｍａｌｉｚｅｄｄｉｓ-ｔａｎｃｅｂｅｔｗｅｅｎｆｅａｔｕｒｅｐｏｉｎｔｓａｓｔｈｅｉｎｐｕｔｆｅａｔｕｒｅｖｅｃｔｏｒ，ａｎｄｓｐａｒｓｅｌｙｓｅｌｅｃｔｅｄａｓｅｔｏｆｉｍａｇｅｓｆｒｏｍａｌｌｔｈｅｔｒａｉｎｉｎｇｉｍａｇｅｓｂｙｕ-ｓｉｎｇｌ１
-ｍｉｎｉｍｉｚａｔｉｏｎ．Ｉｔｕｓｅｄｔｈｅｌｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｈｅａｄｐｏｓｔｕｒｅｓｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｔｈｅｓｅｉｍａｇｅｓｔｏｒｅｐｒｅｓｅｎｔｔｈｅｔｅｓｔｉｍａ-ｇｅｈｅａｄｐｏｓｔｕｒｅｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎａｃｈｉｅｖｅａｂｏｕｔ３°ｈｅａｄｐｏｓｅｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｗｉｔｈｏｕｔａｎｙｅｘｔｒａｈａｒｄｗａｒｅｐａｒａｍｅｔｅｒｓ．Ｉｎａｄｄｉｔｉｏｎ，ｆｏｒｖａｒｙｉｎｇｉｌｌｕｍｉｎａｔｉｏｎａｎｄｅｘｔｒｅｍｅｈｅａｄｐｏｓｔｕｒｅｓ，ｔｈｅｍｅｔｈｏｄｃａｎａｌｓｏａｃｈｉｅｖｅａｈｉｇｈｐｒｅｃｉｓｉｏｎｏｆｈｅａｄｐｏｓｅｅｓｔｉｍａｔｉｏｎ．Ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｅｔｈｏｄｉｓｈｉｇｈｅｒｔｈａｎｔｈｅｒｅｌａｔｉｖｅｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ：ｈｅａｄｐｏｓｅ；ａｄａｐｔｉｖｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ；ｆｅａｔｕｒｅｖｅｃｔｏｒ；ｌ１-ｍｉｎｉｍｉｚａｔｉｏｎ；ｔｒａｉｎｉｎｇｓａｍｐｌｅ
近年来，利用单目视觉进行头部姿态计算已经成为计算机视觉领域的一个热点研究方向，可应用于人机交互、视觉监控、视线跟踪等多个领域。现有的头部姿态计算方法可分为基于模型的方法和基于训练的方法。其中基于模型的方法是通过精确检测特征点位置为人脸构建３Ｄ模型，其优点在于计算速度快、易于理解。将人脸初始化为一个圆柱模型，并使用Ｌｕｃａｓ-Ｋａ-ｎａｄｅ光流法进行跟踪［１～５］，是目前比较先进的基于模型的头部
姿态计算方法。其中Ｓｕｎｇ等人［
３］
在圆柱模型的基础上加入了ＡＡＭ模型进行补偿，但实验表明该方法仍存在较大的误差。
Ｖａｌｅｎｔｉ等人［１］
利用瞳孔中心定位与圆柱模型相结合的方法进行头部姿态估计，虽然计算精度得到了一定提升，但仍不能达到理想的效果。此外，这类方法往往需要一些先验条件来初始化模型，如摄像头的相对焦距、被试者脸部到摄像头的距离、被试者真实脸部宽度等。基于训练的方法是在二维人脸图像中得到特征向量，并通过训练建立特征向量与头部运动姿态之间的映
射关系［６～８］
。这种方法的最主要优点是不需要任何先验条件，也不需要对摄像头进行标定。近年来这类方法受到了研究者的广泛重视，本文的研究内容属于这一类方法。
基于训练方法的关键在于所建立映射关系的准确性，自适应线性回归方法能很好地将高维图像特征映射到低维头部姿态空间。其本质是在所有训练样本中找到一个稀疏训练样本
的最优集合，该集合用于反映特征向量与头部姿态间的映射关系。该方法对于最优子集中所包含的训练样本数量及关系没有限制，可根据测试图片的特征向量自适应地选取训练集中的部分样本组成最优子集。一阶范数最小化是一种理想的最优集合筛选方法，文献［９］中的人脸识别和其他一些分类应用已经证明了这种方法的优越性和鲁棒性。与ＳＶＭ、ＫＮＮ等分类方法需要大量数据样本进行训练不同，自适性线性回归方法只需要很少的样本作为训练集。这不仅避免了繁琐的训练数据收集和长时间的训练过程，还可随时对训练集中的样本进行调整。基于以上优点，本文在使用关键点间相对距离建立特征向量后，利用自适应线性回归方法在训练集中找到一个最优集合，该集合的线性组合用来估计头部运动姿态。本文利用Ｂｏｓ-ｔｏｎ大学提供的开源数据库分别对均匀光照图片和不均匀光照图片进行了实验。实验结果表明，本文所提出方法在使用很少训练图片和不知道任何硬件参数的情况下，就能实现精确的头部姿态计算。
1 头部姿态计算方法
1．1 图像特征向量
如图１所示，设空间坐标系中Ｚ轴与光轴平行，Ｘ轴为水
第３３卷第１０期２０１６年１０月 计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＶｏｌ．３３Ｎｏ．１０
Ｏｃｔ．２０１６
万方数据