基于神经网络的飞行员头位跟踪方法研究

张立民，姜 杰，方 伟，刘 凯

(海军航空大学, 山东 烟台 264001)

飞行员座舱模拟训练，是通过飞行训练模拟器还原真实的飞行环境，可以对飞行员进行起飞、降落、空中加油、编队飞行、战术对抗以及面对复杂情况下的应急处置训练，以低沉本、低风险和高效果、高回报的训练方式，对未来真实训练作战具有重要的战略意义。现有的座舱模拟器对飞行员的头位检测跟踪手段，还依旧停留在传统的光电法[1]、惯性法[2]、电磁法[3]等，这些方法通过在飞行员头部和座舱内安装传感器的方式，完成检测跟踪，实时性和准确度不高，且易受外界干扰。

近年来，深度学习理论不断发展，在图像处理、文字识别、大数据分析上取得较大突破。结合深度学习方法，通过训练卷积神经网络，结合姿态角解算算法，完成对飞行员的头位检测跟踪。首先在座舱内安装摄像头，以获取飞行员的实时训练画面，经图像处理提取特征，输入到卷积神经网络，得到人脸检测框和脸部特征点，根据脸部特征点进行空间坐标转换，得到飞行员的头部姿态角。结合头盔瞄准具，把得到的姿态数据输入到火控雷达，就可以迅速捕获敌机目标，在近距离空中格斗中抢占先机。

1 基于级联卷积神经网络的人脸检测

对于人脸检测的方法，主要有早期的模型匹配法、基于机器学习的HOG-SVM法[4]、Viola&Jones法[5]、DPM法[6]和基于深度学习的Facenet法[7]、Cascade CNN法[8]。但是这些方法在工业级的应用上并不是特别理想，而且由于人脸检测效果一般，致使建立在检测基础之上的人脸对齐效果也并不理想。针对上述情况，提出了一种基于级联卷积神经网络的人脸检测方法，在考虑到已有的深度学习方法没有兼顾人脸检测和对齐的内在关系，将检测和对齐放在一个网络结构中同时进行解决。另一方面，将头部姿态解算加入到网络结构中，通过训练卷积神经网络，从而得到飞行员的头位姿态数据，以端到端的方式，完成对飞行员头位的检测跟踪。首先通过级联卷积神经网络，对输入的人脸图像快速生成候选窗体，运用非极大抑制算法和边界框回归，对候选窗体进行筛选，得到精确的人脸检测框，同时标记5个脸部关键特征点，然后运用EPNP算法，经过空间坐标转换，最终得到飞行员的头部姿态角。具体流程图1所示。

图1 算法流程示意图

1.1 基于多尺度多模板的金字塔图像处理

图像金字塔是对输入图像的不同尺度表达，主要应用于计算机视觉和图像分割，是一种对图像进行预处理的方法。通过图像金字塔预处理的操作后，就可以得到多种不同分辨率下的图像，可以用于解释原输入图像的结构[9]。其结构通常按照金字塔的形状排列，图像分辨率由上至下逐级递减，如图2所示。

图2 图像金字塔结构示意图

在通过卷积网络对人脸检测前，需要对图像进行多尺度变换处理，通常将图像缩放成尺度大小不同的图片，构成图像金字塔，从而可以让卷积网络检测到大小不同的人脸，以起到扩充了数据集，提升网络检测精度的作用。相比于传统的多尺度变换处理，加入了多模板的处理方法，以丰富输入图像的表现形式，有效扩充了图像数据集，从而保证在复杂场景中的人脸检测精度。具体实现步骤为：首先对图像进行多尺度处理，得到分辨率不同的图像，然后采取8×8，12×12，16×16等3种不同规格的滑动窗口对不同尺度的图像进行滑动采样，最后将得到的不同尺度和模板的图像送入卷积神经网络中进行训练。其流程如图3所示。

图3 多尺度多模板图像金字塔流程示意图

1.2 网络结构

由三层卷积神经网络级联而成，分别为候选层(proposal network)、优化层(refine network)、输出层(output network)组成。由于人脸检测相比与其他多分类物体检测和分类任务，是二分类问题，不需要更大的卷积核而是更小的卷积核。因此，将卷积核由5×5变为3×3，减小卷积核大小，增加模型了深度，这样在减小模型大小的基础上，提高了模型精度。

1.2.1 候选层(proposal network，P-Net)

第一层P-Net为全卷积网络(FCN)，全卷积网络的优点在于可以输入任意尺寸的图像，同时使用卷积运算代替了滑动窗口运算，大幅提高了计算效率，输入数据为所有训练样本shape=(12×12×3)的图像，获得候选窗体和边界回归向量，同时对候选窗体根据边界框进行校准，然后通过非极大抑制算法(non-maximum suppression，NMS)去除重叠窗体。其网络结构如图4所示。

图4 P-Net网络结构示意图

1.2.2 优化层(refine network，R-Net)

将经过P-Net处理过的图像输入到R-Net中，其图像shape=(24×24×3)，同样利用边界框回归执行校准，微量调整候选窗体，通过NMS算法合并重叠窗体。与P-Net不同的是，R-Net多了一层全连接层，用于图像的分类，可以起到更好的抑制作用。其网络结构如图5所示。

图5 R-Net网络结构示意图

1.2.3 输出层(output network，O-Net)

将R-Net输出的结果传入O-Net中，输入图像shape=(48×48×3)，该层相比于R-Net增加了一层卷积层，主要应用于对脸部细节的处理，其作用与R-Net一样，但因为该层加入了更多对人脸区域的监督，所以可以在去除重叠窗体的同时标记5个人脸关键点(左眼、右眼、鼻子、左嘴角、右嘴角)的位置。其网络结构如图6所示。

图6 O-Net网络结构示意图

从P-Net到R-Net再到O-Net，随着网络的输入图像尺寸越来越大，结构越来越深，可以使提取的特征越具有表现能力。运用了由粗到细的策略：第一步通过浅层的CNN选出候选窗口；第二步用更复杂的CNN过滤掉没有脸部的窗口；第三步用更强大的CNN调优结果。

1.3 损失函数

对于特征描述主要包含3个部分：人脸-非人脸二分类器、边界框回归、人脸特征点，下面分别介绍这3个部分的损失函数。

人脸分类的交叉熵损失函数为：

(1)

边界框回归(bounding box regression)采用欧式距离作为距离度量的回归损失函数，公式如下：

(2)

式(2)中：y′为预测值边框坐标；y为真值框坐标。由一个4元组(Xleft，Yleft，Width，Height)表示。

人脸特征点定位同样是一个回归问题，其损失函数是计算预测的关键点位置与实际位置之间的距离偏差，采用欧式距离作为距离度量。公式如下：

(3)

式(3)中：y′为预测结果；y为关键点实际位置.由于一共需要预测5个关键点位置，每个点为2个坐标值，所以y为十元数。

1.4 柔性非极大抑制(soft NMS)算法

非极大值抑制算法(non maximum suppression，NMS)，常被用于目标检测、边缘检测、人脸检测等领域，用于对生成的候选框进行后处理，去除冗余的候选框，得到最佳检测框，以加快检测的效率[10]。其思想是通过搜索局部最大值，抑制非极大值。实现效果如图7所示。

图7 非极大抑制算法实现效果图

NMS算法是通过迭代的形式，将得分最高的框不断地与其他框做IOU操作，以过滤掉IOU较大(即交集较大)的框[11]。在NMS算法中，将IOU大于阈值的窗口的得分一律置为0，其公式表述为：

(4)

从式(4)可以看出，直接删除所有IOU大于阈值的框，将相邻检测框的分数均强制归零，在这种情况下，如果一个真实物体在重叠区域出现，则将导致对该物体的检测失败并降低算法的平均检测率(Average Precision，AP)；另一方面NMS的阈值的设定同样容易出现问题，一旦设置过小就会出现误删的情况，如果设置过高又会导致误检[12]。针对上述情况，对传统的NMS算法进行了改进，即在算法执行过程中，不再是简单的删除IOU大于阈值的检测框，而是通过建立置信度函数，降低其置信度得分。置信度重置函数通过2种形式进行改进[12]，一种是线性加权：

(5)

另一种是高斯加权，即：

(6)

通过对weight变量的不断更新，采用线性加权的方式，将更新值确定为1-ov，另一方面在高斯加权时引入sigma参数，从而使原始NMS算法中对IOU的取值不再直接为0或1。Soft NMS对于人脸检测框的确定更为精准，有效提升了网络训练效果。

2 基于Efficient Perspective-N-Point(EPNP)的头部姿态解算

PNP算法旨在解决从3D-2D匹配中求解摄像头位姿，通过确定相机的位置和方向，给定相机的内在参数以及3D点与其2D投影之间的n组对应关系。主要应用于摄影测量和计算机视觉领域，特别是在处理基于特征点的摄像机跟踪等问题时，通常需要实时处理数百个噪声特征点，这就需要高效的计算方法[13]。

EPNP算法是一种非迭代、封闭式的PNP算法，通过将世界坐标系中的3D坐标表示为一组虚拟的控制点的加权和[14]，可用位姿的求解计算。对人脸姿态的解算，EPNP算法至少需要已知4个非共面人脸特征点三维空间坐标，通过与二维相机坐标系下对应点进行匹配，计算得到旋转矢量，将旋转矢量转换为四元数，最终计算得到包含姿态信息的欧拉角。对于人脸3d模型，采用科英布拉大学的通用头部模型，获取包括眼球、鼻尖、嘴角等5个脸部关键点的三维坐标信息。对于相机内部参数，采用张正友相机标定法[15]进行确定。根据卷积神经网络输出的5个人脸关键点，经过EPNP算法计算便可以得到飞行员的头部姿态数据。具体计算过程如下：

首先建立相机坐标系的数学模型，公式如下：

(7)

图像坐标系(x，y)与相机坐标系(Xi，Yi，Zi)之间的关系如下：

(8)

因为头部姿态为三自由度，因此，以3×3的矩阵表示为：

(9)

通过旋转矩阵和旋转角的关系，即可求得头部姿态角roll，pitch，yaw分别为：

(10)

3 实验

3.1 数据准备

选取Wider Face数据集作为人脸检测数据集，该数据集由3 233个图像中的393 703个标记的面部边界框组成[16]，其中50%用于根据图像难度测试3个子集，40%用于训练，剩余用于验证。选取Annotated Facial Landmarks in the Wild(AFLW)数据集作为人脸特征点检测数据集，AFLW数据集包含24 386个面部的特征点标记。通过多尺度多模板的处理方法，在标注好的人脸图片上进行随机切割，根据切割到的边框和真实的人脸框进行IOU计算，将IOU>0.65的划分为正样本(Positive)数据，将IOU<0.3的划分为负样本(Negative)数据，将IOU在0.4～0.65之间的划分为部分面孔(Part)数据。将标注好的5个特征点划分为Landmark face数据。这4种数据的用途为：① negative和positive用于人脸分类；② positive和part faces用于边框回归；③ landmark face用于人脸特征点定位(人脸对齐/关键点检测)

3.2 网络训练

训练流程如图8所示。

图8 训练流程框图

3.3 实验结果分析

通过对数据集进行多尺度多模板处理后，得到训练样本数量如表1所示。

表1 训练样本数量

将得到的数据集按negative/positive/part faces/landmark =3∶1∶1∶2的比例进行采样，随后送入各个网络进行训练，最后对得到的检测结果计算召回率(recall)为：

(11)

式(11)中：TP表示正确识别为人脸的数量；FN表示未正确检测出人脸数量，即系统漏报。将召回率结果与多尺度处理相比较(见表2)，可以看到多尺度多模板的图片预处理方式对检测结果有一定的提升。

表2 不同网络层召回率结果对比 %

NMS和Soft NMS算法在不同召回率(recall)下的检测精度(precision)，如图9所示。

图9 NMS和Soft NMS的检测精度曲线

由图9可以看出，通过Soft NMS算法对重叠区域的检测框的得分进行调整而非直接归零，可以有效提升在高召回率下的检测精度。

绘制ROC曲线，与其他算法在Wider Face数据集下作比较，如图10所示。

从图10结果可以看出，相比与其他算法，召回率较高，且在误报样本为1 000时，召回率可达90.9%。

在实际场景中进行测试，对于光线变化、部分遮挡、大姿态变化均能有良好的检测效果。测试效果如图11所示。

图10 ROC曲线

图11 实际场景中测试效果图

在工程应用中，对于头位跟踪技术的实时性的标准为不低于30 fps，在硬件配置为Intel Core i5-8250U CPU，MX150显卡，8G内存的运行环境中进行测试，平均检测帧数可达46 fps，满足实时性要求，且相比于传统头位检测方法，本文方法对于检测误差和外界干扰等方面更加鲁棒。测试效果如图12所示。

图12 实时性测试效果图

4 结论

结合当前热门的深度学习方法，通过对卷积神经网络的训练，结合计算机视觉、图像处理的方式，完成对飞行员头位的检测跟踪，应用于飞行员的日常模拟训练中，相比于传统的头位检测跟踪方法，有很大的创新，并且在实际训练中，在检测精度和实时性方面有明显提升。未来工作将继续针对不同问题不断地优化网络结构，并借鉴其他检测算法，设计其他实用的深度学习模型，应用于飞行员座舱模拟训练中。