Kinect SDK——Face Tracking

上半部分：Face Tracking 流程

在Kinect for Windows SDK中，搭载了一个Face Tracking SDK，可以供用户实时地跟踪人脸。详细信息可以见MSDN。在Kinect for Windows Developer Toolkit v1.5.0及以后版本中，还提供了一个Face Tracking Visualization的例子，其中的代码写得非常清晰，也推荐阅读一下。

要在C++中使用这个Face Tracking SDK很简单，只需声明 #include <FaceTrackLib.h>即可。然后将相应的目录加入到项目配置中，包括include目录和lib目录。如我的机器上的目录地址分别为C:\Program Files\Microsoft SDKs\Kinect\Developer Toolkit v1.5.0\inc和C:\Program Files\Microsoft SDKs\Kinect\Developer Toolkit v1.5.0\Lib\x86。之后还要将FaceTrackLib.lib作为依赖项加入。

文档中提到可以将这个头文件中用来检查是否定义了_WINDOWS的宏指令注释掉，这样在编译时就可以无需定义_WINDOWS。不过由于我们要通过kinect采集数据，而Kinect SDK本身也需要包含<windows.h>头文件，所以我们无需修改头文件，只要记得在编译选项里(Configuration Properties, C/C++, Preprocessor)将_CONSOLE更改为_WINDOWS即可。

在Face Tracking SDK中，主要包含四个类，分别是IFTFaceTracker, IFTImage, IFTResult, IFTModel，从名称基本就能看出来是做什么用的了。

IFTFaceTracker：是脸部跟踪的主要引擎。

IFTImage：主要是用于封装各种图像数据流以供使用，比如IFTFaceTracker跟踪时使用的彩色图像和深度图像就要通过IFTImage封装为输入数据。

IFTResult和IFTModel：都是从IFTFaceTracker创建出的用于保存结果的类。前者保存了跟踪结果，后者保存了根据跟踪结果所构造的一个泛化的脸部模型。

在实际使用中，首先调用FTCreateImage创建两个IFTImage实例，分别存放彩色图像和深度图像数据。

IFTImage提供了两种初始化数据方法，分别是Allocate和Attach。前者为自己分配了存放数据的内存空间，可以通过调用Release来释放，在调用Reset时也会先释放内存空间；后者使用外部的存储空间，用户需要自己管理这部分内存。在准备好了图像数据后，实例化一个FT_SENSOR_DATA结构体，将这两个IFTImage作为其成员。这个FT_SENSOR_DATA对象就是要用于进行脸部跟踪的输入数据了。需要注意的是，Face Tracking SDK默认输入的图像数据是Kinect输出的数据，即深度图像坐标未与彩色图像对齐，且没有滤除后三位的player index。

然后需要调用FTCreateFaceTracker来创建一个IFTFaceTracker实例，之后的操作都是围绕这个实例进行。要开始脸部追踪过程，只需简单地调用StartTracking。这个函数本身开销比较大，因为它需要在整张图像中检测脸部位置，所以可以通过在参数中指定一些hints来减小开销，这包括利用pROI指定搜索区域，以及headPoints[2]指定脸部的pose方向。也可以将这些参数都留空，这样就会在整个图像上寻找脸部作为跟踪对象。这里我不确定脸部pose方向是否由Kinect skeleton data获取。

当StartTracking成功后，我们就可以使用ContinueTracking来继续跟踪。这个函数的开销要小于StartTracking，所以在获得跟踪对象后，应该一直调用这个函数进行跟踪而不应使用StartTracking，直到跟踪失败或停止跟踪后，要重新开始跟踪时，才应该使用StartTracking，并在获得新的跟踪对象后继续使用ContinueTracking来跟踪。只有在某些极端情况下，比如帧率非常低，或者脸部在帧间的移动速度非常快，使得ContinueTracking几乎不可能，这时才会考虑在每帧上都使用StartTracking。

有些时候，图像中存在多个要跟踪的脸部。这时可以先调用DetectFaces，然后为每个要跟踪的脸部都创建一个IFTFaceTracker实例。

在跟踪成功后，可以利用IFTResult和IFTModel来查看跟踪结果。IFTResult需要调用IFTFaceTracker::CreateFTResult来创建，用于储存StartTracking和ContinueTracking的结果。调用其GetStatus函数，返回S_OK表示脸部跟踪是否成功，这时可以进一步通过GetFaceRect获取所跟踪的脸部在图像坐标系下的位置，以及通过Get2DShapePoints获得脸部100个关键点的2D坐标。IFTModel可以通过 IFTFaceTracker::GetFaceModel创建，它是用于将跟踪到的脸部由2D图像转换为摄像机空间中的3D网格。具体的就不在这篇赘述了。

然后贴一下我自己的一个FaceTracker抽象类。程序中在实例化了其子类后，首先调用Init函数，成功后调用Track函数即可追踪，通过几个Get函数可以获得相应的状态和数据。三个纯虚函数中，InitConfig用于配置colorConfig和depthConfig，可以参见Kinect关于FT_CAMERA_CONFIG结构体的说明；SetColorFrame和SetDepthFrame用于更新跟踪过程中每帧的彩色和深度图像数据。

头文件：

#ifndef __FACE_TRACKER_H__
#define __FACE_TRACKER_H__


#include <FaceTrackLib.h>
#include <stdint.h>


const uint32_t FRAME_WIDTH = 640;
const uint32_t FRAME_HEIGHT = 480;


class FaceTracker
{
public:
    FaceTracker(void);
    virtual ~FaceTracker(void);


    virtual bool Init(void);
    virtual bool Track(void);


    bool            GetTrackStatus(void) const { return ( isTracked && SUCCEEDED(pFTResult->GetStatus()) ); };
    IFTResult*      GetResult(void)      const { return pFTResult; };
    IFTImage*       GetColorImage(void)  const { return pColorFrame; };
    IFTImage*       GetDepthImage(void)  const { return pDepthFrame; };
    IFTFaceTracker* GetTracker(void)     const { return tracker; };
    RECT            GetFaceRect(void)    const ;


    //
    // PURE VIRTUAL functions.
    virtual bool InitConfig(void)    = 0;
    virtual bool SetColorFrame(void) = 0;
    virtual bool SetDepthFrame(void) = 0;


private:
    IFTFaceTracker* tracker;
    IFTResult* pFTResult;
    IFTImage* pColorFrame;
    IFTImage* pDepthFrame;
    bool isTracked;
public:
    FT_SENSOR_DATA* sensorData; 
    FT_CAMERA_CONFIG colorConfig; // width, height, focal length
    FT_CAMERA_CONFIG depthConfig; // width, height, focal length
};
#endif

Cpp文件：

#include "FaceTracker.h"


FaceTracker::FaceTracker(void)
{
    tracker = NULL;
    pFTResult = NULL;
    pColorFrame = NULL;
    pDepthFrame = NULL;
    sensorData = NULL;


    isTracked = false;
}


FaceTracker::~FaceTracker(void)
{
    if (NULL != pFTResult) {
        pFTResult->Release();
    }
    if (NULL != pColorFrame) {
        pColorFrame->Release();
    }
    if (NULL != pDepthFrame) {
        pDepthFrame->Release();
    }
    if (NULL != tracker) {
        tracker->Release();
    }
    if (NULL != sensorData) {
        delete sensorData;
    }
}


bool FaceTracker::Init(void)
{
    // prepare Image and Depth for 640x480 RGB images
    pColorFrame = FTCreateImage();
    pDepthFrame =  FTCreateImage();
    if (!pColorFrame || !pDepthFrame) {
        return false;
    }
    pColorFrame->Allocate(FRAME_WIDTH, FRAME_HEIGHT, FTIMAGEFORMAT_UINT8_B8G8R8X8);
    pDepthFrame->Allocate(FRAME_WIDTH, FRAME_HEIGHT, FTIMAGEFORMAT_UINT16_D13P3);


    if ( this->InitConfig() ) {


        // Create an instance of face tracker
        tracker = FTCreateFaceTracker();


        HRESULT hr = tracker->Initialize(&colorConfig, &depthConfig, 0, 0);
        if (FAILED(hr)) {
            return false;
        }


        // Create IFTResult to hold a face tracking result
        hr = tracker->CreateFTResult(&pFTResult);
        if(FAILED(hr)) {
            return false;
        }
    }
    
    sensorData = new FT_SENSOR_DATA(pColorFrame, pDepthFrame);


    return true;
}


bool FaceTracker::Track(void)
{
    bool success = true;


    // Call your subclass method to fill the data buffer
    success &= this->SetColorFrame();
    success &= this->SetDepthFrame();
    if ( !success ) {
        isTracked = false;
        return false;
    }


    HRESULT hr;
    // Check if we are already tracking a face
    if ( !isTracked ) {
        // Initiate face tracking. This call is more expensive and searches the input image for a face.
        hr = tracker->StartTracking(sensorData, NULL, NULL, pFTResult);
        if( SUCCEEDED(hr) && SUCCEEDED(pFTResult->GetStatus()) ) {
            isTracked = true;
        }
        else {
            // Handle errors
            isTracked = false;
        }
    }
    else {
        // Continue tracking. It uses a previously known face position, so it is an inexpensive call.
        hr = tracker->ContinueTracking(sensorData, NULL, pFTResult);
        if( FAILED(hr) || FAILED (pFTResult->GetStatus()) ) {
            // Handle errors
            isTracked = false;
        }
        else {
            isTracked = true;
        }
    }
    return isTracked;
}


RECT FaceTracker::GetFaceRect(void) const
{
    RECT rect;


    if ( this->GetTrackStatus() ) {
        pFTResult->GetFaceRect(&rect);
    }
    return rect;
}

下半部分：IFTModel

在上一篇中，介绍了利用Face Tracking SDK来跟踪人脸的流程，并介绍了所涉及的四个类，其中IFTResult和IFTModel是用来查看跟踪结果的两个类。前者记录了脸部100个关键点的2D坐标，而后者则是用于将跟踪到的脸部由2D图像转换为摄像机空间中的3D网格。本篇主要就讨论一下IFTModel这个类。

IFTModel使用的是Candide3模型的一个子集，包括11个Shape Units和六个Animation Units。其中SU描述了脸部某些区域的形状，比如嘴、鼻子、眼睛的中点位置；而AU可以理解为描述了脸部肌肉的运动，换句话说，通过使用不同的AU参数，可以构造出不同的脸部表情。当所有的AU均为0时，就是所谓的neutral face完全无表情的脸部；如果同时所有的SU也均为0，则得到的就是标准的脸部模型。

在MSDN中，详细描述了各个SU和AU所对应的脸部特征与脸部运动，这里不再赘述。

之前提到过IFTModel需要通过IFTFaceTracker::GetFaceModel创建，然后就可以在跟踪成功后读取模型的参数来查看模型。这里需要注意的一点，IFTModel本身并不保存真正的模型，而是通过SU和AU对标准的脸部模型进行变形，从而得到个人的脸部模型。所以在IFTModel中，提供的主要是Get类函数，而并未提供直接编辑模型的Set类函数。其中最主要的三个函数分别是Get3DShape, GetTriangles, 和GetProjectedShape。第一个函数返回一个3D顶点坐标数组，也就是变形后的个人脸部模型上的各个顶点的3D坐标。第二个函数返回模型上的三角形面片数组，其中每个三角形面片表示为其三个顶点的索引值。通过这两个函数，就可以将变形后的脸部模型输出为3D文件格式，然后使用一些3D模型查看器来观看模型。我这里给出一个输出为obj文件的简单例子。

void SaveModel( const IFTModel* model, 
                const float* pSUs, uint32_t suCount,
                const float* pAUs, uint32_t auCount,
                float scale, const float rotationXYZ[3], const float translationXYZ[3] )
{
    uint32_t vertexCount = model->GetVertexCount();
    FT_VECTOR3D* pVertices = new FT_VECTOR3D[vertexCount];
    model->Get3DShape(pSUs, suCount, pAUs, auCount, scale, rotationXYZ, translationXYZ, pVertices, vertexCount);

    uint32_t triangleCount = 0;
    FT_TRIANGLE* pTriangles = NULL;
    model->GetTriangles(&pTriangles, &triangleCount);

    FILE* fobj = NULL;
    fopen_s(&fobj, "myself.obj", "w");
    fprintf(fobj, "# %u vertices, # %u faces\n", vertexCount, triangleCount);
    for (uint32_t vi = 0; vi < vertexCount; ++vi) {
        fprintf(fobj, "v %f %f %f\n", pVertices[vi].x, pVertices[vi].y, pVertices[vi].z);
    }
    for (uint32_t ti = 0; ti < triangleCount; ++ti) {
        fprintf(fobj, "f %d %d %d\n", triangles[ti].i+1, triangles[ti].j+1, triangles[ti].k+1);
    }
    fclose(fobj);

    delete[] pVertices;

    return;
}

GetProjectedShape函数的功能则是计算并输出3D顶点投影到图像平面上的位置。我们知道计算机视觉中有世界坐标系、摄像机坐标系、图像坐标系。简化起见可以令世界坐标系与摄像机坐标系重合，通过Get3DShape计算出的各顶点坐标即位于摄像机坐标系下。通过利用摄像机参数，可以计算空间点投影到成像平面后的坐标，也就是GetProjectedShape所计算出的各点坐标。显然该函数输出各点与Get3DShape输出各点是对应的。不过该函数并不会考虑投影点是否会被遮挡，也就是说，3D场景中在当前视点下无法看到的点，同样会被投影到2D平面上。在实际使用中，由于 Candide 模型的顶点基本都位于脸部正面，所以这个问题其实并不会带来太大的影响。在Face Tracking SDK提供的将IFTModel显示在图像中的例子里，也并没有针对这点做特殊处理。但在利用该函数的结果时，还是应该意识到这个问题的存在。