基于殘差網(wǎng)絡(luò)的實時頭部姿態(tài)估計方法研究與應(yīng)用

歐琪 王劍雄 孫歌等

摘要：頭部姿勢估計是使用計算機視覺和模式識別技術(shù)來推斷數(shù)字圖像中人體頭部轉(zhuǎn)動方向的過程，文章提出的改進后的基于殘差網(wǎng)絡(luò)的頭部姿態(tài)估計模型在人臉檢測模塊的VGG16網(wǎng)絡(luò)不同大小的卷積層后面加入了3個小檢測模塊，每個小檢測模塊都會進行檢測和分類處理，間接實現(xiàn)了多尺度的人臉檢測；在歐拉角的計算過程中融入回歸和分類損失，利用交叉熵?fù)p失和均方差損失來計算模型估計的歐拉角，可以有效提高歐拉角的預(yù)測精度，從而提高頭部姿態(tài)估計的準(zhǔn)確率，使其在應(yīng)用中得到更加有效的結(jié)果。

關(guān)鍵詞：頭部姿態(tài)估計；歐拉角；殘差網(wǎng)絡(luò)；交叉熵?fù)p失

中圖法分類號：TP391 文獻(xiàn)標(biāo)識碼：A

１ 引言

近年來，計算機技術(shù)發(fā)展迅速，各種電子科技產(chǎn)品進入人們的日常生活，如何合理開發(fā)和應(yīng)用計算機在各個領(lǐng)域的功能，成為當(dāng)前重要的研究工作之一。

在計算機領(lǐng)域，計算機視覺技術(shù)（Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，ＣＶ）發(fā)展迅猛且應(yīng)用廣泛，其中頭部姿態(tài)估計作為關(guān)鍵技術(shù)之一，也受到了廣泛的關(guān)注和研究［１］ 。頭部姿勢可以傳達(dá)不同的信息，人的面部表情和頭部動作可以最直觀地表達(dá)一個人的想法或情緒。除了表達(dá)情緒和觀點外，面部方向、眼睛方向等也可以表達(dá)一個人當(dāng)前的注意力集中位置。

另外，頭部姿勢估計也在不同的生命科學(xué)領(lǐng)域中取得了重大突破，如醫(yī)療、無人駕駛或疲勞駕駛、身份識別等領(lǐng)域［２］ 。本文提出的改進的基于殘差網(wǎng)絡(luò)的頭部姿態(tài)估計模型，在牛津大學(xué)視覺幾何組（ＶＧＧ）網(wǎng)絡(luò)上的人臉檢測模塊的不同大小的卷積層后面增加了３ 個小檢測模塊，每個小檢測模塊將進行檢測和分類處理。通過檢測不同大小的特征圖，間接實現(xiàn)多尺度人臉檢測；在歐拉角的計算過程中融入回歸和分類損失，利用交叉熵?fù)p失和均方差損失來計算模型估計的歐拉角，經(jīng)過實驗結(jié)果分析，可以有效提高歐拉角的預(yù)測精度，從而提高頭部姿態(tài)估計的準(zhǔn)確率，使其在應(yīng)用中得到更加有效的結(jié)果。

２ ＶＧＧ１６ 網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)

２．１ ＶＧＧ１６ 網(wǎng)絡(luò)

ＶＧＧＮｅｔ 取得了２０１４ 年ＩｍａｇｅＮｅｔ 圖像分類的好成績，其中ＶＧＧ１６ 是ＶＧＧＮｅｔ 中分類性能最好的網(wǎng)絡(luò)之一［３］ 。為捕捉細(xì)節(jié)變化以獲得更好的非線性，減少參數(shù)數(shù)量，每個卷積層使用３×３ 卷積核，使網(wǎng)絡(luò)結(jié)構(gòu)更加簡單，必要時３×３ 卷積核的堆疊可以替代５×５ 和７×７ 等較大的卷積核。在５ 個卷積段的尾部各連接一個最大池化層。這個池化層采用２×２ 的池化核，可以減少卷積層參數(shù)誤差造成的估計平均值的偏移，更容易捕捉到圖像和梯度的變化，并有利于保留紋理等細(xì)節(jié)信息。

綜上所述，ＶＧＧ１６ 網(wǎng)絡(luò)通過逐層抽象，能夠從低層到高層不斷學(xué)習(xí)特征，并且具有較強的非線性表達(dá)能力，能夠表達(dá)更豐富的特征，適合更復(fù)雜的輸入特征。另外，ＶＧＧ１６ 網(wǎng)絡(luò)開始時有６４ 個３×３ 的卷積核，隨著網(wǎng)絡(luò)的加深，卷積核的數(shù)量逐漸從６４ 個增加到１２８ 個，２５６ 個和５１２ 個，從而使其具有更大的網(wǎng)絡(luò)寬度，這使網(wǎng)絡(luò)在每一層都能學(xué)習(xí)到更豐富的特征。

２．２ 殘差網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ）［４］ 是微軟亞洲研究院研究員何凱明等在２０１５ 年繼ＡｌｅｘＮｅｔ，ＧｏｏｇｌｅＮｅｔ，ＶＧＧ ３ 個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)之后提出的具有影響力的網(wǎng)絡(luò)模型。

在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，梯度分散或爆炸的問題使得模型訓(xùn)練難以收斂，但標(biāo)準(zhǔn)初始化和中間層正規(guī)化方法在一定程度上有效控制了這一問題，使深度神經(jīng)網(wǎng)絡(luò)能夠收斂。在模型訓(xùn)練過程中，即使在相同的訓(xùn)練水平下，退化網(wǎng)絡(luò)的錯誤率也要高于略淺層的網(wǎng)絡(luò)。隨著網(wǎng)絡(luò)深度的增加，模型會出現(xiàn)退化現(xiàn)象，這不是過擬合造成的，而是冗余網(wǎng)絡(luò)層的學(xué)習(xí)參數(shù)不是恒等映射的參數(shù)造成的。

通過對現(xiàn)有深度神經(jīng)網(wǎng)絡(luò)退化問題的了解，解決網(wǎng)絡(luò)模型不退化問題的根本方法是恒等映射。殘差網(wǎng)絡(luò)很好地解決了深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)退化問題，取得了較好的結(jié)果。本文的頭部姿態(tài)估計框架是基于ＲｅｓＮｅｔ５０ 來設(shè)計的，一共有５０ 層，采用了殘差結(jié)構(gòu)，將檢測到的人臉裁剪下來，經(jīng)過一系列的縮放裁剪調(diào)整尺寸，放入殘差網(wǎng)絡(luò)，最后網(wǎng)絡(luò)會輸入３ 個方向的歐拉角，全程為端到端的實現(xiàn)，十分便捷。

３ 改進的頭部姿態(tài)估計模型

３．１ 人臉檢測

本文提出的人臉檢測模塊是基于ＶＧＧ１６ 網(wǎng)絡(luò)進行修改的，和多任務(wù)級聯(lián)網(wǎng)絡(luò)（Ｍｕｌｔｉ?ｔａｓｋ ＣａｓｃａｄｅｄＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ，ＭＴＣＮＮ） 方法不同，本文只使用一張大小的圖像作為輸入，不需要分別對不同尺度的圖像進行預(yù)測。具體實現(xiàn)方法是在ＶＧＧ 網(wǎng)絡(luò)的不同大小的卷積層后面增加３ 個小檢測模塊（Ｍ１，Ｍ２，Ｍ３），每個小檢測模塊會進行一次檢測和分類。通過檢測不同大小的特征圖，間接實現(xiàn)多尺度人臉檢測。

圖１ 為人臉檢測框架的示意圖。

根據(jù)圖１ 所示，可以看到每個分支都會有１ 個檢測模塊，為了獲得更大的感受，首先使用多重３×３ 卷積代替７×７ 卷積可以增加網(wǎng)絡(luò)深度，在一定條件下可以有效提高神經(jīng)網(wǎng)絡(luò)的效果。然后融合２ 條路徑的特征圖，完成分類任務(wù)和回歸任務(wù)。最后，該模塊連接到ＶＧＧ１６ 的３ 個不同的卷積層，以對應(yīng)不同大小的特征圖，從而有效提高網(wǎng)絡(luò)模型效果。

３．２ 歐拉角

在計算機視覺中，頭部姿態(tài)估計可以解釋為人體頭部相對于相機的方向。人體頭部的姿勢受限于３個自由度，分別為俯仰角、旋轉(zhuǎn)角和偏轉(zhuǎn)角，它們統(tǒng)稱為歐拉角［５］ ，如圖２ 所示。

傳統(tǒng)的頭部姿態(tài)估計算法首先檢測２Ｄ 人臉的關(guān)鍵點，其次構(gòu)建３Ｄ 人臉匹配模型以獲得更全面的信息，然后計算３Ｄ 點與２Ｄ 點之間的變換關(guān)系，最后通過矩陣相關(guān)運算獲得關(guān)鍵值歐拉角的角度。但是，傳統(tǒng)的頭部姿勢估計方法對面部關(guān)鍵點提取的準(zhǔn)確性要求較高，因此不適用于某些場景中的小臉，如教室場景下的人臉。

３．３ 融入回歸和分類損失

本文提出的頭部姿態(tài)估計框架是基于ＲｅｓＮｅｔ５０來設(shè)計的，一共有５０ 層，采用了殘差結(jié)構(gòu)。上文提出的人臉模塊得到的數(shù)據(jù)文件已經(jīng)保存了每個人臉的相關(guān)坐標(biāo)，姿態(tài)估計模塊會依次讀取數(shù)據(jù)文件的每一列，通過縮放和裁剪來切割人臉區(qū)域，調(diào)整人臉的大小，進入下一層網(wǎng)絡(luò)。最后，網(wǎng)絡(luò)會計算并輸出３ 個方向的歐拉角。整個過程是端到端的實現(xiàn)， 非常便捷。

本文建立的改進后的頭部姿態(tài)估計模型為每個歐拉角設(shè)置了２ 個損失函數(shù)，以改進歐拉角的計算。

首先可以根據(jù)角度區(qū)間對頭部的歐拉角進行分類。

其次將分類結(jié)果轉(zhuǎn)換成度數(shù)，將實際度數(shù)與標(biāo)注度數(shù)進行比較，計算回歸損失。最后將回歸損失和分類損失相結(jié)合，得到最終損失。計算方法為：

其中，ｎ 為批處理樣本數(shù)，ｙ 為真實值，ｙ′為預(yù)測值。

當(dāng)模型開始訓(xùn)練時，會對一些數(shù)據(jù)進行數(shù)據(jù)過濾，然后選取不同角度的圖片作為訓(xùn)練數(shù)據(jù)集。結(jié)合本文提出的回歸損失和分類損失相結(jié)合的計算方法，可以有效提高歐拉角的預(yù)測精度。

本文提出的改進后的頭部姿態(tài)估計框架基于ｐｏｉｎｔｉｎｇ０４ 數(shù)據(jù)集上所訓(xùn)練出來的模型，在分析人體頭部姿態(tài)估計的歐拉角中具有良好的性能，同時在其他的測試集上有著可擴展性和魯棒性。實驗結(jié)果如圖３ 所示，在控制臺輸出了３ 個方向的歐拉角。

４ 結(jié)束語

頭部姿態(tài)估計在計算機視覺領(lǐng)域有著廣闊的應(yīng)用前景。例如，在一些輔助駕駛系統(tǒng)中，需要估計駕駛員的頭部姿態(tài)來確定駕駛員是否有危險的駕駛行為，或者在一些在線教學(xué)系統(tǒng)中，以同樣的方式來確定學(xué)生的學(xué)習(xí)狀態(tài)，并且它在人臉矯正中起著重要的作用。在ＶＲ 虛擬現(xiàn)實等相關(guān)研究中，根據(jù)頭部姿態(tài)估計可以判斷出體驗者的意圖從而有更好的體驗效果。本文提出的改進后的基于殘差網(wǎng)絡(luò)的頭部姿態(tài)估計模型在歐拉角的計算過程中融入回歸和分類損失，利用交叉熵?fù)p失和均方差損失來計算模型估計的歐拉角，經(jīng)過實驗結(jié)果分析，可以有效提高歐拉角的預(yù)測精度，從而提高頭部姿態(tài)估計的準(zhǔn)確率，使其在應(yīng)用中得到更加有效的結(jié)果。

參考文獻(xiàn)：

［１］ 王鐵勝．計算機視覺技術(shù)的發(fā)展及應(yīng)用［Ｊ］．信息系統(tǒng)工程，２０２２（４）：６３?６６．

［２］ 柯澤冉．三維人臉重建及其在頭部姿態(tài)估計中的應(yīng)用［Ｄ］．武漢：華中師范大學(xué)，２０２１．

［３］ 齊永鋒，馬中玉．基于深度殘差網(wǎng)絡(luò)的多損失頭部姿態(tài)估計［Ｊ］．計算機工程，２０２０，４６（１２）：２４７?２５３．

［４］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ．Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｆｏｒＩｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥２０１６ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ），２０１６：２７?３０．

［５］ 劉成攀，吳斌，楊壯．基于聯(lián)合損失和恒等映射的動態(tài)人臉識別［Ｊ］．傳感器與微系統(tǒng)，２０２１，４０（９）：１５３?１５６．

作者簡介：

歐琪（１９９８—），碩士，研究方向：人工智能。

王劍雄（１９７５—），碩士，教授，研究方向：人工智能（ 通信作者）。