head-pose-estimation

项目介绍：Head Pose Estimation

Head Pose Estimation 是一个实时人头姿态估计项目，使用 ONNX Runtime 和 OpenCV 实现。

项目运作方式

Head Pose Estimation 项目通过三个主要步骤来实现人头姿态的估计：

1. 人脸检测：首先使用人脸检测器来提供包含人脸的边界框。这个边界框将被扩展并转化为方形，以更好地适应后续步骤的需求。

2. 面部特征点检测：使用预训练的深度学习模型从人脸图像中检测并输出 68 个面部特征点。

3. 姿态估计：获取面部特征点后，通过一个 PN（平面定位）算法来计算头部姿态。

快速开始

以下是如何在本地机器上获取项目副本并使其运行，用于开发和测试目的的说明。

前置条件

该项目代码在 Ubuntu 22.04 上测试，通过以下框架实现：

• ONNX Runtime: 1.17.1
• OpenCV: 4.5.4

安装步骤

1. 克隆代码仓库：

   git clone https://github.com/yinguobing/head-pose-estimation.git
   

2. 使用 pip 安装依赖：

   pip install -r requirements.txt
   

3. 预训练模型已在 assets 目录提供。可以使用 Git LFS 下载：

   git lfs pull
   

   或者，从项目的发行页面手动下载。

运行项目

运行项目时，需要通过参数指定视频文件或网络摄像头索引。如果未提供数据源，默认为内置网络摄像头。

视频文件运行

对于任何 OpenCV 支持的视频格式（如 mp4, avi 等），运行以下命令：

python3 main.py --video /path/to/video.mp4

使用网络摄像头

提供网络摄像头索引来运行：

python3 main.py --cam 0

重训练模型

项目提供了相关教程和训练代码，用户可以参考以下地址：

• 教程链接可在项目文档中找到。
• 训练代码在https://github.com/yinguobing/cnn-facial-landmark。

请注意，PyTorch 版本即将推出！

项目授权

此项目在 MIT 许可证下授权。面部检测使用了 InsightFace 的 SCRFD 技术，预训练模型文件使用了不同的公开数据集，并遵循各自的许可协议。

项目作者

该项目由尹国冰（Yin Guobing）开发，更多信息可在他们的个人网站查看。

致谢

在项目训练中使用了多个数据集，例如 300-W, 300-VW, LFPW, HELEN, AFW 和 IBUG。此外，项目中的3D 人脸模型来源于 OpenFace。

Head Pose Estimation 项目充分利用了现有的技术和资源，以实现更加高效的姿态估计，同时提供了友好的使用和开发环境。无论是开发者还是研究人员，皆可从此项目中受益。