Head Pose Estimation头部姿态估计任务的基本了解：从数据集开始

关注

原创 2023-07-10 10:45:56 3.1k 阅读 AI 写同款· GEO 优化 ›

【头部姿态】头部姿态检测(一) 头部姿态检测是通过2D图像映射到3D图像，得到人脸姿态的朝向，主要检测的参数有三个，分别是pitch(围绕X轴旋转)，yaw(围绕Y轴旋转)和roll(围绕Z轴旋转)，分别学名俯仰角、偏航角和滚转角，就是抬头、摇头和转头。主要的检测方法有三种： 1、经典版：2D人脸关键点检测--->3D人脸模型匹配求解--->3D点和对应2D点的转换关系--->根据旋转矩阵求... 阅读详情

前言

为了检测司机的疲劳状态，除了基于人脸关键点的检测去判断是否闭眼，是否打哈欠，还可以基于头部的姿态取判断是否正视前方，或者低头睡觉．那么准确的头部姿态估计，必不可少．此前，我们基于PnP算法取估计HPE，但误差较大．因此，我们决定在YOLOLandmark基础上添加额外的任务，即人脸检测，人脸关键点检测以及头部姿态检测，三个任务整合到一起．

一、HPE是什么？

Head Pose Estimation,即头部姿态估计，一般用６Ｄ元素表示，即空间坐标（x,y,z），空间旋转角度(yaw, roll, pitch)等来表示．有些时候空间位置可在二维图像中定位出bounding-box的二维坐标即可，主要是空间旋转角度的估计是一个关键问题．

这个问题，难点在哪里？
单一的HPE任务，已经是个old任务，通常做法是cropped face输入到ResNet，然后设计一个head估计三个角度．因此，单一的任务在标准的数据集上做训练，这不是一个难的问题．

如果将三个task整合到一起，就会遇到问题．没有完整的数据集同时满足这三个任务的训练，比如，dataA提供来人脸关键点的标注适合人脸检测和人脸关键点检测，dataB提供人脸关键点和姿态的标注，适合关键点与姿态的检测．如果设计一个网络，同时能够单阶段的把三个任务完成，这件事情目前还没有人这么做．

二、常用数据集

1.COFW

原地址下载：caltech
这个数据集主要是包含人脸遮挡的数据集，如下所示：
在这里插入图片描述
所以它并不包含head pose的信息．每张人脸包含29个关键点的标注信息

2.WFLW

Wider Facial Landmarks in-the-wild (WFLW)包含10000张人脸，7500张用于训练，2500张用于测试．每个人脸包含９８个人工标记点．此外，除来关键点的标记，还包括来丰富的背景，例如遮挡，大角度，化妆，照明，模糊和表情等用于当前有竞争力的算法去充分的分析．

data sit: LAB

该数据集主要用于验证算法在复杂背景下FLD的鲁棒性．

3.AFLW2000-3D

AFLW2000-3D is a dataset of 2000 images that have been annotated with image-level 68-point 3D facial landmarks. This dataset is used for evaluation of 3D facial landmark detection models. The head poses are very diverse and often hard to be detected by a CNN-based face detector.

下载链接：3dffa

samples:

在这里插入图片描述
这个数据集提供来丰富的３ＤＭＭＡ信息，即３D Face Landmarks, Head Pose等信息．
因此，该数据集可用于head pose的评估，但该数据集包含了大角度的偏转，会对我们的检测器提出漏检的挑战．

4.300W-LP

同样，该数据集也是由3dffa团队提出来的，也是基于3dmma的模型提供FLD和Posture的标注．

该处使用的url网络请求的数据。

三、SOTA work

CVPR2022:SynergyNet

code:github
该网络基于３DMM实现来多个人脸相关任务比如3D FLD, Angle, mesh等任务的实现，比３DFFA，青出于蓝而胜于蓝．

在AFLW3000-3D上的人脸角度估计（MAE欧拉角）
在这里插入图片描述

CVPR2021 Workshop:ASMNet

code:github

FLD的检测效果一般，目前不如我的模型角度高
角度估计demo:
在这里插入图片描述
在WFLW和300W数据集上的Posture性能对比，这里必须说明的是，他们是采用HopeNet去检测这两个数据集，并把检测的结果作为GT，用来训练此模型．

四、我们想做的贡献

首次基于YOLO实现三个任务的联合检测，即FD, FLD，HPE．这是首次实现．
其次，我们解决来数据集不完备带来的训练问题，我们首先冻结HPE,在A数据集上实现来FD,FLD的联合任务;然后冻结FD,FLD，实现HPE的训练．在训练阶段分步进行，在推理阶段一次搞定．
我们在多个数据集上进行了验证，在人脸检测，FLD和HPE上都取得来不错的性能．包括速度和精度的双提升．
并且，为了将基于单帧的检测用于视频检测，特别是人脸tracking过程中会存在跳帧的问题，为此，我们设计了基于Kalman Filter的平滑滤波，以减少抖动．