基于樹結構分層隨機森林在非約束環境下的頭部姿態估計

劉袁緣陳靚影俞 侃覃 杰陳超原

①(文華學院 武漢 430074)

②(華中師范大學國家數字化學習工程研究中心 武漢 430079)

③(武漢華中數控股份有限公司紅外事業部 430074)

樹結構分層隨機森林是在每一個分支層上有選擇性的級聯子森林。當到達下一分支層時，它需要做出判斷加載哪一顆子森林。因為在不同水平角度下豎直角度的估計投票仍滿足高斯模型分布，所以我們提出一個自適應高斯混合模型來投票最終的頭部姿態。改進公式C(P)得到：

基于樹結構分層隨機森林在非約束環境下的頭部姿態估計

劉袁緣①②陳靚影*②俞 侃①覃 杰③陳超原①

①(文華學院 武漢 430074)

②(華中師范大學國家數字化學習工程研究中心 武漢 430079)

③(武漢華中數控股份有限公司紅外事業部 430074)

頭部姿態估計是人類行為和注意力的關鍵，受到光照、噪聲、身份、遮擋等許多因素的影響。為了提高非約束環境下的估計準確率和魯棒性，該論文提出了樹結構分層隨機森林在非約束環境下的多類頭部姿態估計。首先，為了消除不同環境的噪聲影響，提取人臉區域的組合紋理特征，對人臉區域進行積極人臉子區域的分類，分類結果作為樹結構分層隨機森林的先驗知識輸入；其次，提出了一種樹結構分層隨機森林算法，分層估計多自由度下的頭部姿態；再次，為了增強算法的分類能力，使用自適應高斯混合模型作為多層次子森林葉子節點的投票模型。在多個公共數據集上的多種非約束實驗環境下進行頭部姿態估計，最終實驗結果表明所提算法在不同質量的圖像上都有很好的估計準確率和魯棒性。

頭部姿態估計；非約束環境；樹結構分層隨機森林；人臉積極子區域先驗分類；自適應高斯混合模型

1 引言

頭部姿態是研究人類行為和注意力的關鍵[1]。因此，在許多智能系統中非約束環境下的頭部姿態估計是檢測人類身份和行為的重要環節。但是非約束環境中的投影幾何形變、背景光照變化、前景遮擋問題和低分辨率等因素的影響，使得頭部姿態的多自由度估計一直是一個富有挑戰性的領域[2]。已有的一些頭部姿態估計方法根據特征選擇的不同，大致可以分為基于局部特征的方法和基于全局處理的方法。前者依賴于局部點特征的提取，后者則是對整個人臉區域進行處理。基于局部特征的方法通常先提取人臉的特征點，如眼睛點、眉毛點以及嘴角等，它主要適用于高精度的系統和人臉的高分辨率圖像[3]。對于非約束的環境下，有很強的局限性。而基于全局的方法的優勢是只需要處理整個人臉的圖像區域而不需要提取局部的點特征，適用于低質量低分辨率的圖像估計。基于全局的方法主要是用機器學習和模式識別的算法，如模板匹配算法、多分類器陣列算法[4]、SVM[5]、隨機森林[6]、Adoboost等。

隨機森林[7]因為具有快速處理大數據的訓練能力和高效的在線計算能力，成為近年來機器視覺中處理大數據量的熱門方法之一。最近，隨機森林已經應用于實時的2D頭部姿態的估計和分類[8]以及3D圖像的頭部姿態識別[9-11]。文獻[6]提出了條件隨機森林來檢測2D頭部姿態估計和人臉特征點。其在水平自由度的5個旋轉角度可達到識別率72.3%。文獻[4]使用組合回歸和分類隨機森林的算法，獲得了較好的估計效果。但是對環境的要求都有一定的限制性。為了在非約束環境下進行多類頭部姿態的準確估計，本文提出了樹結構分層隨機森林算法，用于非約束環境下頭部姿態的多自由度的魯棒估計。

樹結構的分層概率模型是文獻[12]提出的，已經證明了它的高效率和高準確率，許多文獻也已經用它進行多目標跟蹤和情感計算。樹結構的分層概率模型每一層節點概率是其上一層節點概率和分支選擇概率的結果，即每一個子層都收到其父層的影響。每次計算樹的概率時，只需要用相關分支上的節點概率，而不需要計算整棵樹所有節點的概率。因此引入樹結構分層隨機森林具有更高的效率和準確率。

本文的創新點如下：(1)積極人臉子區域的先驗分類可以消除不同環境下的噪聲影響；(2)一種樹結構的多層隨機森林算法的提出，提高了非約束環境下多類頭部姿態估計的準確率和效率；(3)自適應高斯混合模型作為多層次子森林葉子節點的投票模型使得分類結果具有更強的魯棒性。

2 基于樹結構分層隨機森林對頭部姿態的估計

為了更好地在非約束環境下對多自由度的頭部姿態進行估計，本文提出了基于樹結構分層隨機森林的多層估計算法。算法如圖1所示，分為3個階段。第1階段，為了消除非約束復雜背景的干擾，我們提取了人臉積極的子區域塊作為分層隨機森林的先驗輸入；第2個階段本文提出樹結構分層隨機森林來估計水平頭部姿態，級聯分布的兩個子層次為S-1和S-2；第3個階段在水平頭部姿態估計結果的條件下進行豎直方向的頭部姿態估計，其中級聯分布的兩個子層為S-3和S-4。最終在S-4子層得到25對頭部姿態的估計結果。

2.1 人臉子區域的先驗分類

對于頭部姿態估計有兩個難點，一個是正確提取人臉區域，一個是非約束背景的影響。在非約束背景中提取人臉的前景目標區域，首先要去除背景信息的干擾，包括頭發、遮擋、背景、光照等。因此，我們將人臉子區域分為兩個子區域：人臉積極子區域和干擾子區域。人臉積極子區域是去除噪聲的區域，對頭部姿態的估計有積極的影響，反之為干擾區域，如圖2所示，并將分類結果作為頭部姿態估計的先驗知識。

為了去除干擾子區域塊對頭部姿態的影響，我們用Haar特征檢測到的人臉區域進行人臉積極子區域塊的先驗分類。如圖3所示。首先，對人臉區域隨機提取200個子區域塊，并提取每個子區域塊的Gabor特征符。然后，我們用分類隨機森林[4]離線訓練人臉積極子區域和干擾子區域類，并用1和0 分別進行標注。分類隨機森林的計算過程是每顆決策樹迭代的過程， 森林中的每一棵樹T都是由標注好的隨機提取的數據集訓練生成。當測試數據P通過樹的根節點到達其葉子節點時，存儲在葉子結點的概率密度p(c=k|lt(P))將判斷測試數據P的類別信息。對于每個葉子結點的子區域塊的分類概率直接作為頭部姿態估計的先驗輸入，僅僅對分類結果為1的人臉積極子區域塊進行頭部姿態的估計。

2.2 樹結構分層隨機森林的訓練

圖1 基于樹結構分層隨機森林的頭部姿態估計算法流程圖

圖2 人臉積極子區域和背景干擾子區域

圖3 人臉積極子區域的先驗分類

圖4 樹結構分布的多層概率模型

樹結構是一種級聯式的多層概率分布模型，它的當前葉子節點概率[p1,…,pi]是它上一層節點概率的[a1,a2,…,ak]在其相關分支bji上的結果[9]。圖4中，i 表示葉子節點的序號，k 是它上一層節點的序號，j表示該分支號。可見在樹結構分布的概率模型中，每一個子層只與它的父層有關。因此，樹結構分布的多層概率模型中，只需要計算子層中當前子樹的概率模型和它父層的先驗概率模型，而不需要計算隨機森林中所有樹的概率模型。所以，樹結構的分層概率模型可以提供更好的準確率和效率。

為了構建樹結構分層隨機森林來估計多自由度的頭部姿態，我們需要：

(4)定義存儲在葉子結點的自適應投票模型。

級連標注 訓練的過程是監督的，森林中每一棵樹T的建立都是在不同的數據集中隨機訓練而成T={Tt}。對每一張人臉圖像，我們隨機提取人臉子區域塊集的組合特征：。其中，表示Gabor特征，它的空間維度是35×31×31。為原始的灰度值，它的空間維度是31×31。ci表示頭部姿態類的標注：

(2)定義二進制測試φ；

(3)定義級聯式樹結構隨機森林的測度

二進制測試 二進制測試是在子集中不斷地逼近類標注不確定性純度的過程，最終將訓練集分裂成2個子集。隨機樹的生長就是一個由二進制測試創建子節點的迭代過程。我們定義二進制測試φ為

其中，R1,R2是人臉子區域中的兩個隨機選取的矩形子塊，If(j)是上一部分定義好的特征通道，τ是閾值。開始測試，當測試結果大于τ時，生成右子節點，反之生成左子節點。

樹狀條件測度H(P|aj) 在這部分，測度H(P|aj)定義為連續子區域的熵。

其中p(ci|aj,Pn)表示人臉子區域塊 Pn在分層隨機森林的第 j 層第aj子森林中屬于頭部姿態類ci的概率，|P|是頭部姿態類為ci的人臉子區域塊的數量。選擇最佳分裂申請，它可以使得信息增益(IG)估計函數最大wL, wR是數據集 PL(通過上述二進制測試到達左子集的數量)PR(通過上述二進制測試到達右子集的數量)的樣本數量和總數據集 P 的比率。

葉子 如果信息增益(IG)低于預先設定的閾值或者樹的最大深度達到時，生產一個葉子節點。在每一個葉子結點中，包括了頭部姿態的分類概率和連續頭部姿態分布參數，其滿足一個高斯概率分布模型。

當一個子區域塊到達子森林的葉子節點時，我們用類決策模型C(P)加載下一個子森林樹。

其中，p(ci|aj,P)是森林中的第 j 層中子森林 aj的條件下的估計概率，它由下一節所述的自適應高斯混合模型計算得到。最終的頭部姿態由自適應混合高斯模型進行投票分類。

自適應高斯混合模型 存儲在葉子的概率p(c=k|P)具有判斷測試子區域塊屬于頭部姿態類k的信息。隨機森林的葉子結點l存儲符合多項式高斯分布。

樹結構分層隨機森林是在每一個分支層上有選擇性的級聯子森林。當到達下一分支層時，它需要做出判斷加載哪一顆子森林。因為在不同水平角度下豎直角度的估計投票仍滿足高斯模型分布，所以我們提出一個自適應高斯混合模型來投票最終的頭部姿態。改進公式C(P)得到：

i是樹結構分層隨機森林的子分支，j是分支i的子節點，k是子區域塊達到的葉子結點中存儲的標注姿態。

2.3 基于樹結構分層隨機森林的水平頭部姿態估計

由于水平自由度旋轉包含更多的頭部姿態信息，如眼睛、鼻尖和嘴角的信息，因此我們將其作為樹結構分層隨機森林估計頭部姿態的第1層和第2層，如圖5所示。如2.2節訓練樹結構分層隨機森林的子森林。首先，量化訓練數據在水平子層S-1和S-2的相關頭部姿態子集“左”，“正面”，“右”和“正左”，“左中”，“正面”，“右中”，“正右”，并分別用標注“-1, 0, 1”和“-2, -1, 0, 1, 2”代替真實的頭部姿態旋轉角度-90°～90°。然后將估計結果(水平旋轉角度)a 作為豎直估計的父層概率模型 p(ci| a)。

2.4 基于樹結構分層隨機森林的豎直頭部姿態估計

圖5 水平方向的分層頭部姿態估計

樹結構分層隨機森林級聯第3層S-3和第4層S-4，在水平自由度的估計條件下進行豎直自由度的頭部姿態估計。由于缺少更多的人臉信息，豎直自由度估計是頭部姿態估計領域的一個難點。文獻[8]用隨機森林同時訓練和測試水平和豎直自由度的頭部姿態。本文則提出了一個樹結構分層隨機森林方法來分層估計水平和豎直多自由度的頭部姿態。我們將水平自由度的估計結果作為豎直自由度的估計條件輸入，然后對每一個分支樹進行3類豎直頭部姿態估計，最后對左子類和右子類再次進行細化估計角度，最終估計出5類豎直頭部姿態。級聯細化算法的流程結構如圖6所示。其中a 為水平方向的估計結果，級聯分支估計為豎直估計中3類角度的粗糙估計結果，最終細化估計為豎直估計中的最終細化估計結果。由于2.3節中水平估計的結果為5類水平旋轉角度，因此圖6由5棵相同的獨立子森林構成。在這個階段，我們最終可以檢測25個離散的頭部運動角度，檢測結果表示為 {90°,90°}, {90°,45°},…,{0°,0°},…,{-45°,-90°},{-90°,-90°}。

圖6 豎直方向的分層頭部姿態估計

3 樹結構分層隨機森林的多層概率模型

隨機森林的目標是通過葉子結點構建人臉子區域塊P的類概率估計p(ci|P)[6]， 樹結構分層隨機森林模型的目標則是構建樹結構分層的先驗條件概率估計p(ci|α,P)，本文改進隨機森林的概率模型為

式中，α是上一層估計的概率結果。

為了學習p(ci,α|P)，訓練集α被分裂為不相交的離散子集aj。因此，式(6)可改寫為

先驗概率p(ci|aj,p)可以在每一個訓練子集aj中用改層的子隨機森林T(aj)學習得到。同樣地，概率p(α|P)可以在所有的訓練集a上用隨機森林學習得到。最終，得到不同分支上的多層概率模型為

其中lt,aj表示子區域塊P在樹 Tt∈T(aj)中到達的葉子結點。離散值kj由∑jkj=Tt和式(12)計算得到。

4 實驗

為了測試在非約束環境下的估計結果，我們在Pointing’04頭部姿態數據庫[13]，LFW數據庫[14]以及實驗室實時采集的數據集上測試本文的方法。Pointing’04頭部姿態數據庫是包括15個人的兩種不同表情的頭部姿態數據庫，共有2790張圖片。LFW數據庫包含5749個不同個體的人臉圖片，這些圖片都是自然狀態下收集的，包括不同的姿態、光照、分辨率、質量、表情、性別、種族等。我們實驗室的實時數據集收集了20個不同人的不同姿態、表情、遮擋的圖片，其中包括10個男性，10個女性，每個人包括25個頭部姿態，總共500張圖片。本文數據集的標注方法參考LFW數據庫[14]的標注方法。實驗過程中，數據集被分為訓練數據集和測試數據集。訓練集采用Pointing’04數據庫中的2100張圖片，LFW中12000張圖片以及實驗室數據庫的300張圖片。測試集包括Pointing’04數據庫中剩余的690張圖片，LFW數據庫的1500張圖片和實驗室采集的實時數據庫的200張圖片。所有圖片都是在包括遮擋、低分辨率、性別、背景干擾、種族等非約束的環境中采集的，估計結果如圖7所示。第1行為加入噪聲遮擋的Pointing’04頭部姿態數據庫的估計結果，第2行為自然環境下實驗室數據集的估計結果，第3行為LFW數據庫的估計結果。估計結果實時地顯示在圖片中，實驗結果表明本文方法對于非約束環境下具有更好的魯棒性。

4.1 訓練

圖7 本文方法在非約束環境下的估計結果

圖8 樹的數量、最大深度、分裂次數對估計結果的誤差分析

為了訓練，需要對隨機森林的一些預設參數進行分析。圖8描述了樹的數量、最大深度和分裂次數對估計結果的誤差分析曲線。估計誤差隨著樹數量的增加，樹的最大深度增加以及分裂次數的增加而減少，當參數值增加到一定程度，對誤差估計率的影響很小。因此，本文選擇樹的最大深度為15，每一個節點的隨機分裂次數是2000，分裂閾值為25，人臉大小歸一化為125125×，人臉子區域塊大小為3030×。訓練時，首先以分層結構的方式從所有的數據集中選擇子集，每186張圖片組成一個子集訓練成一棵樹。樹結構分層森林包括4層，第1層水平自由度有15顆隨機樹，第2層水平自由度有10顆隨機樹，第3層豎直自由度有15課隨機樹，最后一層豎直自由度有25顆隨機樹。且每一層的訓練都是上一層條件分支的結果。

4.2 測試

測試數據集包括Pointing’04頭部姿態數據庫中沒有用于訓練的840張圖片，1500張LFW數據庫圖片，以及200實驗室數據集。測試參數選擇包括隨機森林的參數(與訓練保持一致)、子森林的樹分支數，自適應高斯混合模型參數。由于圖像Gabor特征包含了方向信息，對于光照和旋轉具有很好的魯棒性。我們從測試圖片中稠密提取200個人臉積極子區域，并提取子區域的Gabor特征進行測試。

由于樹結構分層隨機森林實際上是將隨機森林以樹狀結構條件模型進行重新分布，因此它具有更高的搜索決策效率和準確率。為了比較本文方法與隨機森林的估計能力，圖9描述了隨機森林進行頭部姿態估計的所有的估計概率投票分布，圖10～圖12描述了本文方法對頭部姿態的估計概率分布。如圖所示，隨機森林的概率分布在不同的姿態類上有高度的重合，而本文方法在最終的概率分布上基本沒有重合。可見，本文方法提高了時間和空間資源的利用率，同時消除了水平自由度旋轉和豎直自由度旋轉的干擾，具有更強的區分力和分類能力。

4.3 估計準確率比較和分析

為了更好地比較樹結構分層隨機森林和隨機森林算法，兩個算法的測試過程選擇相同的測試圖片，相同的特征參數。實驗結果如表1所示，其中列D描述樹結構分層隨機森林算法的估計準確率，列R描述隨機算法的估計準確率。每個方格均為離散的不重復的45°×45°區域。樹結構分層隨機森林算法的平均準確率可以達到71.83%，而隨機森林只能達到62.23%。

4.4 樹結構分層隨機森林的級聯層數分析

圖9 隨機森林不同姿態類上的估計概率投票分布

圖10 樹結構分層隨機森林在水平方向上的估計概率投票分布

圖11 樹結構分層隨機森林的豎直自由度下的估計概率投票分布

圖12 樹結構分層隨機森林的最終概率投票分布

表1 隨機森林(R)和本文算法(D)的估計準確率(%)

圖13 樹結構分層隨機森林的估計準確率與級聯子樹層的關系

圖13顯示估計準確率與級聯層數的關系，S-0表示為1層樹分布的25類頭部姿態估計準確率為62.23%, S-2為2層樹分布的估計準確率上升為67.72%, S-3為增加3層樹分布后得到的25類頭部姿態估計準確率上升為70.11%, S-4為增加4層數分布的25類估計準確率提高到71.38%。

4.5 估計準確率

表2給出了一些不同分類算法的比較實驗結果。結果顯示本文分層算法對兩個自由度下的25類頭部姿態估計有最佳的估計效果。

表2 不同算法的準確率比較

4.6 實時性比較

所有的實驗都是基于硬件PC Intel(R)Core (TM) i5-2400 CPU@ 3.10 GHz, 32 bit的系統，軟件為Microsoft Visual Studio2010++平臺。隨機選擇數據庫中的200張圖片，計算它們的平均運行時間。表3描述了本文算法和最新算法的平均運行時間μ的比較。本文算法的運行時間最短。

表3 本文算法與隨機森林算法的運行時間比較(s)

5 結束語

本文提出了一種能提高魯棒性和準確性的頭部姿態估計方法，對于非約束環境下的兩個自由度旋轉的多類頭部姿態估計有較好的效果。首先，為了消除不同環境的噪聲影響，我們提取人臉區域的組合紋理特征，對人臉區域進行積極人臉子區域的分類，分類結果作為樹結構分層隨機森林的先驗知識輸入；第二，提出了一種樹結構分層隨機森林算法，分層估計多自由度下的頭部姿態；第三，為了增強算法的分類能力，本文使用自適應高斯混合模型作為多層次子森林葉子節點的投票模型。最后3個不同數據集上的測試實驗表明本文方法比現有的先進算法具有更好的估計準確率和實時性。下一步我們將針對大場景下的多人頭部姿態估計，建立估計模型，對于頭發和眼睛的遮擋建立更加魯棒的特征模型。

[1] Zhang M, Li K, and Liu Y. Head pose estimation from low-resolution image with Hough forest[C]. 2010 IEEE Chinese Conference on Pattern Recognition (CCPR), Chongqing, China, 2010: 1-5.

[2] Cai Q, Sankaranarayanan A, Zhang Q, et al.. Real time head pose tracking from multiple cameras with a generic model[C]. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), San Francisco, CA, 2010: 25-32.

[3] Martinovi A, Mathias M, Weissenberg J, et al.. A Threelayered Approach to Facade Parsing[M]. Computer Vision-ECCV 2012, Springer Berlin Heidelberg, Florence, Italy, 2012: 416-429.

[4] Guo G, Fu Y, Dyer C R, et al.. Head pose estimation: Classification or regression?[C]. 19th IEEE International Conference on Pattern Recognition, Tampa, FL, USA, 2008: 1-4.

[5] Murphy-Chutorian E and Trivedi M M. Head pose estimation in computer vision: a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(4): 607-626.

[6] Dantone M, Gall J, Fanelli G, et al.. Real-time facial feature detection using conditional regression forests[C]. 25th IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Providence, Rhode Island, 2012: 2578-2585.

[7] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[8] Huang C, Ding X, and Fang C. Head pose estimation based on random forests for multiclass classification[C]. 20th IEEE International Conference on Pattern Recognition (ICPR), Istanbul, Turkey, 2010: 934-937.

[9] Fanelli G, Gall J, and Van Gool L. Real time head pose estimation with random regression forests[C]. 24th IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Colorado Springs, 2011: 617-624.

[10] Fanelli G, Weise T, Gall J, et al.. Real Time Head PoseEstimation from Consumer Depth Cameras[M]. England, Pattern Recognition, Springer Berlin Heidelberg, 2011: 101-110.

[11] Li Y, Wang S, and Ding X. Person-independent head pose estimation based on random forest regression[C]. 17th IEEE International Conference on Image Processing (ICIP), Hong Kong, China, 2010: 1521-1524.

[12] Minka T. The dirichlet-tree distribution[OL]. http://www. stat. cmu. edu/minka/papers/dirichlet/minka-dirtree. pdf, 1999.

[13] Gourier N, Hall D, and Crowley J L. Estimating face orientation from robust detection of salient facial structures[C]. FG Net Workshop on Visual Observation of Deictic Gestures, Cambridge, UK: FGnet (IST–2000–26434), 2004: 1-9.

[14] Huang G B, Mattar M, Berg T, et al.. Labeled faces in the wild: a database forstudying face recognition in unconstrained environments[C]. Workshop on Faces in ‘Real-Life’ Images: Detection, Alignment, and Recognition, Marseille, France, 2008: 1-14.

[15] Yang H and Patras I. Privileged information-based conditional regression forest for facial feature detection[C]. 10th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG), Shanghai, China, 2013: 1-6.

[16] Ba S O and Odobez J M. Multiperson visual focus of attention from head pose and meeting contextual cues[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(1): 101-116.

劉袁緣： 女，1984年生，碩士，講師，研究方向為計算機視覺與模式識別、圖像處理.

陳靚影： 女，1973年生，博士，教授，研究方向為計算機視覺與模式識別、圖像處理.

俞 侃： 男，1978年生，博士，副教授，研究方向為光學圖像處理.

Head Pose Estimation Based on Tree-structure Cascaded Random Forests in Unconstrained Environment

Liu Yuan-yuan①②Chen Jing-ying②Yu Kan①Qin Jie③Chen Chao-yuan①①(Wenhua College, Wuhan 430074, China)
②(National Engineering Research Center for E-Learning, Central China Normal University, Wuhan 430079, China)
③(Wuhan Huazhong Numerical Control Co., Ltd, Wuhan 430074, China)

Head pose estimation is an important evaluating indicator of human attention, which depends on many factors, such as illumination, noise, identification, occlusion and so on. In order to enhance estimation efficiency and accuracy, this paper presents tree-structure cascaded random forests to estimate head pose in different quality images. First, in order to eliminate the influence of different environment noise, combined texture features in random forests for positive facial patch classification are extracted, which will be the privileged inputs to estimate head pose. Second, a coarse-to-fine approach is proposed to estimate head pose both in the yaw and pitch, which is called tree-structure cascaded random forests. Third, an adaptive Gaussian mixture model is used to enhance discriminate vote energy in the tree distribution. This framework is evaluated in unconstrained environmental datasets. The experiments show that the proposed approach has a remarkable and robust performance in different quality images.

Head pose estimation; Unconstrained environment; Tree-structure cascaded random forests; Positive facial patch privileged classification; Adaptive Gaussian mixture model

TP391.4

A

1009-5896(2015)03-0543-09

10.11999/JEIT140433

2014-04-13收到，2014-07-25改回

國家自然科學青年基金(61205062)，湖北省自然科學基金(2012FFB 02701)和華中科技大學文華學院青年基金(J0200540102)資助課題

*通信作者：陳靚影 chenjy@mail.ccnu.edu.cn