头部姿态能够反映人脸的重要信息,包括人脸的朝向、眼睛注视的方向,甚至是人的思维意识。头部姿态估计有多种解释,粗略地说,头部姿态估计可以看作在几个离散的方向(例如,正面和左侧/右侧轮廓视图)中识别头部的角度。精细的说,头部姿态估计可以看作连续的跨越多个自由度(Degrees Of Freedom,DOF)的角度测量。在本文的研究中,头部姿态估计是指从单幅图像中推测人类头部定位的过程,它需要通过一系列的处理步骤来将基于像素的头部表示信息转换为高层次的方向语义信息。头部姿态估计可以应用在了驾驶员辅助系统、人机交互、虚拟现实等诸多领域。目前,头部姿态估计大体上可以分为两种方法:基于头部几何模型的方法和基于人脸图像监督学习的方法。在本文中,我们在课题组前期工作的基础上进一步研究实现了一种新的基于几何模型的头部姿态估计算法,该算法以较低的计算成本从一个单一的二维(Two Dimension,2D)人脸图像中精确估计头部姿态。首先,对预定义的三维(Three Dimension,3D)人脸模型中四个不共面特征点的直角坐标以及2D人脸图像中对应特征点的坐标进行归一化处理,排除外部因素(即比例因子和平移参数)的影响。然后,将四个归一化的3D特征点表示在球面极坐标系中,通过3D形变对球面实行进一步的迭代优化,以适应不同的个体。最后,通过最小化形变后3D特征点的2D重投影坐标与归一化2D图像中对应的特征点之间的关系,获得表示头部姿态的旋转矩阵。本文在两个常用的数据集(Point’04和Biwi Kinect)中进行测试,实验结果表明,相比于现有的基于几何模型的头部姿态估计算法,本文研究的算法精度更高,运行时间更低。另外,相比于需要大量训练数据和计算资源的基于学习的头部姿态估计方法,以及基于深度信息的方法,本文的算法也可以获得与之相当的性能。