opencv计算物体姿态旋转_头部姿态估计 - OpenCV/Dlib/Ceres

基本思想

通过Dlib获得当前人脸的特征点，然后通过旋转平移标准模型的特征点进行拟合，计算标准模型求得的特征点与Dlib获得的特征点之间的差，使用Ceres不断迭代优化，最终得到最佳的旋转和平移参数。

使用环境

系统环境：Ubuntu 18.04

使用语言：C++

编译工具：CMake

第三方工具

Dlib：用于获得人脸特征点

Ceres：用于进行非线性优化

CMinpack：用于进行非线性优化 (OPTIONAL)

源代码

基础概念

旋转矩阵

头部的任意姿态可以转化为6个参数(yaw, roll, pitch, tx, ty, tz)，前三个为旋转参数，后三个为平移参数。

平移参数好理解，原坐标加上对应的变化值即可；旋转参数需要构成旋转矩阵，三个参数分别对应了绕y轴旋转的角度、绕z轴旋转的角度和绕x轴旋转的角度。

具体代码实现我们可以通过Dlib已经封装好的API，rotate_around_x/y/z(angle)。该函数返回的类型是dlib::point_transform_affine3d，可以通过括号进行三维的变形，我们将其封装成一个rotate函数使用如下：void rotate(std::vector& points, const double yaw, const double pitch, const double roll)

{

dlib::point_transform_affine3d around_z = rotate_around_z(roll * pi / 180);

dlib::point_transform_affine3d around_y = rotate_around_y(yaw * pi / 180);

dlib::point_transform_affine3d around_x = rotate_around_x(pitch * pi / 180);

for(std::vector::iterator iter=points.begin(); iter!=points.end(); ++iter)

*iter = around_z(around_y(around_x(*iter)));

}

[NOTE] 其中point3f是我自己定义的一个三维点坐标类型，因为Dlib中并没有提供，而使用OpenCV中的cv::Point3f会与dlib::point定义起冲突。定义如下：typedef dlib::vector point3f;

[NOTE] Dlib中的dlib::vector不是std::vector，注意二者区分。

LM算法

这边不进行赘诉，建议跟着推导一遍高斯牛顿法，LM算法类似于高斯牛顿法的进阶，用于迭代优化求解非线性最小二乘问题。在该程序中使用Ceres/CMinpack封装好的API(具体使用见后文)。

三维空间到二维平面的映射

根据针孔相机模型我们可以轻松的得到三维坐标到二维坐标的映射：

\(X^{2d}=f_x(\frac{X^{3d}}{Z^{3d}})+c_x\)

\(Y^{2d}=f_y(\frac{Y^{3d}}{Z^{3d}})+c_y\)

[NOTE] 使用上角标来表示3维坐标还是2维坐标，下同。

其中\(f_x, f_y, c_x, c_y\)为相机的内参，我们通过OpenCV官方提供的Calibration样例进行获取：

例如我的电脑所获得的结果如下：

从图中矩阵对应关系可以获得对应的参数值。#define FX 1744.327628674942

#define FY 1747.838275588676

#define CX 800

#define CY 600

[NOTE] 本程序不考虑外参。

具体步骤

获得标准模型的特征点

该部分可见前一篇文章：BFM使用 - 获取平均脸模型的68个特征点坐标

我们将获得的特征点保存在文件 landmarks.txt 当中。

使用Dlib获得人脸特征点

该部分不进行赘诉，官方有给出了详细的样例。

具体可以参考如下样例：

具体在代码中使用如下：cv::Mat temp;

if(!cap.read(temp))

break;

dlib::cv_image img(temp);

std::vector dets = detector(img);

cout << "Number of faces detected: " << dets.size() << endl;

std::vector shapes;

for (unsigned long j = 0; j < dets.size(); ++j) {

/* Use dlib to get landmarks */

full_object_detection shape = sp(img, dets[j]);

/* ... */

}

其中shape.part就存放着我们通过Dlib获得的当前人脸的特征点二维点序列。

[NOTE] 在最后CMake配置的时候，需要使用Release版本(最重要)，以及增加选项USE_AVX_INSTRUCTIONS和USE_SSE2_INSTRUCTIONS/USE_SSE4_INSTRUCTIONS，否则因为Dlib的检测耗时较长，使用摄像头即时拟合会有严重的卡顿。

使用Ceres进行非线性优化Problem problem;

CostFunction* cost_function = new NumericDiffCostFunction(new CostFunctor(shape));

problem.AddResidualBlock(cost_function, NULL, x);

Solver::Options options;

options.minimizer_progress_to_stdout = true;

Solver::Summary summary;

Solve(options, &problem, &summary);

std::cout << summary.BriefReport() << endl;

这里我直接使用了数值差分的方法(NumericDiffCostFunction)，而不是使用自动差分(AutoDiffCostFunction)，是因为自动差分的CostFunctor是通过Template实现的，利用Template来实现Jacobian矩阵的计算使用的同一个结构，这样的话下方旋转矩阵就不能直接通过调用Dlib提供的三维坐标旋转接口，而是要将整个矩阵拆解开来实现(这边暂时没有细想到底能不能实现)，因此出于简便，使用数值差分，在准确性上是会受到影响的。

并且注意到，具体的方法使用了Ridders(ceres::RIDDERS)，而不是向前差分(ceres::FORWARD)或者中分(ceres::CENTRAL),因为用后两者进行处理的时候，LM算法\(\beta_{k+1}=\beta_k-(J^TJ+\lambda I)^{-1}J^Tr)\)的更新项为0，无法进行迭代，暂时没有想到原因，之前这里也被卡了很久。

[NOTE] 源代码中还有使用了CMinpack的版本，该版本不可用的原因也是使用了封装最浅的lmdif1_调用(返回结果INFO=4)，该版本下使用的向前差分，如果改为使用lmdif_对其中的一些参数进行调整应该是可以实现的。

CostFunctor的构建

CostFunctor的构建是Ceres，也是这个程序，最重要的部分。首先我们需要先把想要计算的式子写出来：

\(Q=\sum_i^{LANDMARK\_NUM} \|q_i^{2d}-p_i^{2d}\|^2\)

\(Q=\sum_i^{LANDMARK\_NUM} \|q_i^{2d}-Map(R(yaw, roll, pitch)p_i^{3d}+T(t_x, t_y, t_z))\|^2\)。

其中：LANDMARK_NUM：该程序中为68，因为Dlib算法获得的特征点数为68；；

\(q_i^{2d}\)：通过Dlib获得的2维特征点坐标，大小为68的vector<:point>

\(p_i^{2d}\)：经过一系列变换得到的标准模型的2维特征点坐标，大小为68的vector<:point>，具体计算方法是通过\(p_i^{2d}=Map(R(yaw, roll, pitch)(p_i^{3d})+T(t_x, t_y, t_z))\)；

\(p_i^{3d}\)：标准模型的三维3维特征点坐标，大小为68的vector；

\(R(yaw, roll, pitch)\)：旋转矩阵；

\(T(t_x, t_y, t_z)\)：平移矩阵；

\(Map()\)：3维点转2维点的映射，如上所描述通过相机内参获得。

\(\|·\|\)：因为是两个2维点的差，我们使用欧几里得距离来作为2点的差。

Ceres当中的CostFunctor只需要写入平方以内的内容，因此我们如下构建：struct CostFunctor {

public:

CostFunctor(full_object_detection _shape){ shape = _shape; }

bool operator()(const double* const x, double* residual) const {

/* Init landmarks to be transformed */

fitting_landmarks.clear();

for(std::vector::iterator iter=model_landmarks.begin(); iter!=model_landmarks.end(); ++iter)

fitting_landmarks.push_back(*iter);

transform(fitting_landmarks, x);

std::vector model_landmarks_2d;

landmarks_3d_to_2d(fitting_landmarks, model_landmarks_2d);

/* Calculate the energe (Euclid distance from two points) */

for(int i=0; i

long tmp1 = shape.part(i).x() - model_landmarks_2d.at(i).x();

long tmp2 = shape.part(i).y() - model_landmarks_2d.at(i).y();

residual[i] = sqrt(tmp1 * tmp1 + tmp2 * tmp2);

}

return true;

}

private:

full_object_detection shape; /* 3d landmarks coordinates got from dlib */

};

其中的参数x是一个长度为6的数组，对应了我们要获得的6个参数。

初始值的选定

当前并没有多考虑这个因素，在landmark-fitting-cam程序中除了第一帧的初始值是提前设置好的以外，后续的初始值都是前一帧的最优值。

后面的表现都很好，但这第一帧确实会存在紊乱的情况。

因此后续优化可以考虑使用一个粗估计的初始值，因为对于这些迭代优化方法，初始值的选择决定了会不会陷入局部最优的情况。

测试结果

脸部效果：

输出工作环境：