一种头部姿态检测方法及终端技术

本发明专利技术公开了一种头部姿态检测方法及终端，经神经网络训练得到头部姿态欧拉角排序模型，基于模型得到的头部姿态欧拉角排序，对预设各类型头部姿态欧拉角的特征信息进行计算进而确定二维头部图片中的头部姿态。实现了头部姿态2D图片的标记，在不借用多个相机或者深度相机前提下，完成头部姿态的标记方法；采用对比学习的方法，在没有明确角度标签情况下，完成头部姿态的评估；另外，本发明专利技术还采用基准图片的设置方法，针对不同车型能够任意实现角度的判别。本发明专利技术解决了现有技术中人体头部姿态识别方法的识别要求高、识别角度小、识别精度低的问题。本发明专利技术在环境适应性以及角度范围都有极大的优势。都有极大的优势。都有极大的优势。

【技术实现步骤摘要】
一种头部姿态检测方法及终端


[0001]本专利技术属于人体姿态识别
，具体涉及一种头部姿态检测方法及终端。

技术介绍

[0002]随着国内人们生活水平的不断提高，家用车辆拥有数量不断增长。因此每年都有大量的人员需要考取机动车驾驶证。由于目前机动车驾驶证考试中一些项目仍存在需要考官评判的项目，这样不可避免一些舞弊现象的发生。比如科目三(机动车驾驶人道路驾驶技能)考试中，驾驶部分路段时需要判断驾驶人是否有观察左、右后视镜，也即判断考试人员是否有转头动作；而上述的判断过程大多由考官人为完成，存在一定的主观性。
[0003]如何通过计算机视觉实现对人体头部姿态的识别，以达到上述项目自动化评判的目的已成为业界技术人员研究的课题。目前主流实现头部姿态识别需要依赖人脸关键点的检测，例如嘴角，眼角，鼻尖等68个点。上述方法存在明显的缺陷问题，当脸部的关键信息被遮挡导致角度不准；同时当头部角度转动较大时，看不见脸部关键信息，也不能够实现头部姿态的评估；同时上述方法对相机位置安装有很高的要求，需要正对人脸前方。
[0004]有鉴于此，实有必要提供一种人体头部姿态标注与评估方法，该方法能够不依赖脸部关键信息实现对头部姿态的评估，以克服上述现有技术中存在的技术问题。

技术实现思路

[0005]为了克服现有技术中存在的不足，本专利技术提供一种头部姿态检测方法及终端，以解决现有技术中人体头部姿态识别方法的识别要求高、识别角度小、识别精度低的问题，本专利技术的方法在环境适应性以及角度范围都有极大的优势。/>[0006]为实现上述目的，本专利技术采用的技术方案如下：
[0007]一种头部姿态检测方法，步骤如下：
[0008]步骤1：采集各二维头部图片进行分组，对分组后的各组二维头部图片的头部区域进行标记，并针对头部区域分别进行预设各类型的头部姿态欧拉角排序；
[0009]步骤2：基于各组二维头部图片中预设各类型的头部姿态欧拉角排序为基准，以各组二维头部图片中两个二维头部图片作为输入，该两个二维头部图片之间预设各类型的头部姿态欧拉角排序为输出，对包含头部姿态欧拉角特征提取模块的神经网络进行训练，得到头部姿态欧拉角排序模型；头部姿态欧拉角特征提取模块用于提取二维头部图片中反映预设各类型头部姿态欧拉角的特征信息；
[0010]步骤3：针对待测二维头部图片与预设头部姿态标签的基准二维头部图片，应用头部姿态欧拉角排序模型，得到待测二维头部图片与基准二维头部图片之间预设各类型的头部姿态欧拉角排序，以及获得由头部姿态欧拉角排序模型中头部姿态欧拉角特征提取模块所提取的基准二维头部图片和待测二维头部图片分别对应的预设各类型头部姿态欧拉角的特征信息；
[0011]步骤4：基于待测二维头部图片与基准二维头部图片之间预设各类型的头部姿态
欧拉角排序，针对基准二维头部图片对应的预设各类型头部姿态欧拉角的特征信息、以及待测二维头部图片对应的预设各类型头部姿态欧拉角的特征信息进行计算，从而确定待测二维头部图片中的头部姿态。
[0012]作为本专利技术的一种优选技术方案，所述步骤1的过程如下：
[0013]步骤1.1：对采集的各二维头部图片随机分组，各组二维头部图片至少有两个二维头部图片；
[0014]步骤1.2：对分组后的各组二维头部图片的头部区域进行标记，即于头部区域标记人头框；
[0015]步骤1.3：以标记头部区域的预设各类型的头部姿态欧拉角的大小为依据，对各组二维头部图片分别进行预设各类型的头部姿态欧拉角排序，即俯仰角和偏航角两种类型头部姿态欧拉角的排序。
[0016]作为本专利技术的一种优选技术方案，所述步骤1.3中各组二维头部图片分别进行预设各类型的头部姿态欧拉角排序，均按照预设各类型的头部姿态欧拉角由小到大进行排序。
[0017]作为本专利技术的一种优选技术方案，所述步骤2的过程如下：
[0018]步骤2.1：在任意一组标记和排序后的二维头部图片中随机抽取两张图片；
[0019]步骤2.2：将随机抽取的两张图片输入神经网络中，经该神经网络头部姿态欧拉角特征提取模块得到每张图片分别对应的预设各类型头部姿态欧拉角的特征信息，即俯仰角特征向量和偏航角特征向量；
[0020]步骤2.3：以各组标记和排序二维头部图片中预设各类型的头部姿态欧拉角排序为基准，基于神经网络预测两张图片之间预设各类型的头部姿态欧拉角排序，将两张图片经神经网络头部姿态欧拉角特征提取模块分别得到的俯仰角特征向量和偏航角特征向量，按照相同类型的头部姿态欧拉角特征信息进行相减，分别得到两张图片之间的俯仰角特征向量差和偏航角特征向量差，进而得到两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数；
[0021]若两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数均为正，则表示神经网络的输出结果正确；若两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数中任意一3范数为负，则表示神经网络输出结果错误；
[0022]针对神经网络输出结果错误，将两张图片分别经神经网络头部姿态欧拉角特征提取模块得到的预设各类型头部姿态欧拉角的特征信息继续输入到神经网络中进行反向传播优化，直到该两张图片对应神经网络输出正确的结果；
[0023]步骤2.4：依次迭代不断从任意一组标记和排序后的二维头部图片中随机抽取两张图片输入神经网络执行步骤2.2至步骤2.3，直到神经网络的损失函数值趋于收敛稳定，神经网络训练完成得到头部姿态欧拉角排序模型。
[0024]作为本专利技术的一种优选技术方案，所述步骤2.3包括：
[0025]V
pm
＝V
p1
‑
V
p2
[0026]其中，V
pm
表示两张图片经过神经网络预测得到的俯仰角特征向量差，V
p1
表示两张图片中经过神经网络预测得到的俯仰角排序大的图片对应的俯仰角特征向量，V
p2
表示两张图片中经过神经网络预测得到的俯仰角排序小的图片对应的俯仰角特征向量；
[0027]V
ym
＝V
y1
‑
V
y2
[0028]其中，V
ym
表示两张图片经过神经网络预测得到的偏航角特征向量差，V
y1
表示两张图片中经过神经网络预测得到的偏航角排序大的图片对应的偏航角特征向量，V
y2
表示两张图片中经过神经网络预测得到的偏航角排序小的图片对应的偏航角特征向量；
[0029][0030]其中，表示V
pm
向量对应的3范数值，max函数表示0与之间较大的值；
[0031][0032]其中，表示V
ym
向量对应的3范数值，max函数表示0与之间较大的值；
[0033]若取值为且取值为表示V
pm
、V
ym
值均大于0，神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种头部姿态检测方法，其特征在于：步骤如下：步骤1：采集各二维头部图片进行分组，对分组后的各组二维头部图片的头部区域进行标记，并针对头部区域分别进行预设各类型的头部姿态欧拉角排序；步骤2：基于各组二维头部图片中预设各类型的头部姿态欧拉角排序为基准，以各组二维头部图片中两个二维头部图片作为输入，该两个二维头部图片之间预设各类型的头部姿态欧拉角排序为输出，对包含头部姿态欧拉角特征提取模块的神经网络进行训练，得到头部姿态欧拉角排序模型；头部姿态欧拉角特征提取模块用于提取二维头部图片中反映预设各类型头部姿态欧拉角的特征信息；步骤3：针对待测二维头部图片与预设头部姿态标签的基准二维头部图片，应用头部姿态欧拉角排序模型，得到待测二维头部图片与基准二维头部图片之间预设各类型的头部姿态欧拉角排序，以及获得由头部姿态欧拉角排序模型中头部姿态欧拉角特征提取模块所提取的基准二维头部图片和待测二维头部图片分别对应的预设各类型头部姿态欧拉角的特征信息；步骤4：基于待测二维头部图片与基准二维头部图片之间预设各类型的头部姿态欧拉角排序，针对基准二维头部图片对应的预设各类型头部姿态欧拉角的特征信息、以及待测二维头部图片对应的预设各类型头部姿态欧拉角的特征信息进行计算，从而确定待测二维头部图片中的头部姿态。2.根据权利要求1所述的一种头部姿态检测方法，其特征在于：所述步骤1的过程如下：步骤1.1：对采集的各二维头部图片随机分组，各组二维头部图片至少有两个二维头部图片；步骤1.2：对分组后的各组二维头部图片的头部区域进行标记，即于头部区域标记人头框；步骤1.3：以标记头部区域的预设各类型的头部姿态欧拉角的大小为依据，对各组二维头部图片分别进行预设各类型的头部姿态欧拉角排序，即俯仰角和偏航角两种类型头部姿态欧拉角的排序。3.根据权利要求2所述的一种头部姿态检测方法，其特征在于：所述步骤1.3中各组二维头部图片分别进行预设各类型的头部姿态欧拉角排序，均按照预设各类型的头部姿态欧拉角由小到大进行排序。4.根据权利要求3所述的一种头部姿态检测方法，其特征在于：所述步骤2的过程如下：步骤2.1：在任意一组标记和排序后的二维头部图片中随机抽取两张图片；步骤2.2：将随机抽取的两张图片输入神经网络中，经该神经网络头部姿态欧拉角特征提取模块得到每张图片分别对应的预设各类型头部姿态欧拉角的特征信息，即俯仰角特征向量和偏航角特征向量；步骤2.3：以各组标记和排序二维头部图片中预设各类型的头部姿态欧拉角排序为基准，基于神经网络预测两张图片之间预设各类型的头部姿态欧拉角排序，将两张图片经神经网络头部姿态欧拉角特征提取模块分别得到的俯仰角特征向量和偏航角特征向量，按照相同类型的头部姿态欧拉角特征信息进行相减，分别得到两张图片之间的俯仰角特征向量差和偏航角特征向量差，进而得到两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数；
若两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数均为正，则表示神经网络的输出结果正确；若两张图片之间俯仰角特征向量差和偏航角特征向量差分别对应的3范数中任意一3范数为负，则表示神经网络输出结果错误；针对神经网络输出结果错误，将两张图片分别经神经网络头部姿态欧拉角特征提取模块得到的预设各类型头部姿态欧拉角的特征信息继续输入到神经网络中进行反向传播优化，直到该两张图片对应神经网络输出正确的结果；步骤2.4：依次迭代不断从任意一组标记和排序后的二维头部图片中随机抽取两张图片输入神经网络执行步骤2.2至步骤2.3，直到神经网络的损失函数值趋于收敛稳定，神经网络训练完成得到头部姿态欧拉角排序模型。5.根据权利要求4所述的一种头部姿态检测方法，其特征在于：所述步骤2.3包括：V
pm
＝V
p1
‑
V
p2
其中，V
pm
表示两...

【专利技术属性】
技术研发人员：汪洋，刘辉，秦亮，张铁监，叶剑，
申请(专利权)人：多伦科技股份有限公司，
类型：发明
国别省市：