姿态角检测方法、系统、电子设备及存储介质技术方案

本申请涉及数据处理领域，公开一种姿态角检测方法、系统、电子设备及存储介质。姿态角检测方法包括：获取待检测的人脸图像；根据预设的姿态角检测模型对所述人脸图像进行处理，获取所述人脸图像的特征向量，其中，所述姿态角检测模型通过先根据第一训练数据集和预设的采用第二预训练模型辅助训练的第一训练阶段对第一预训练模型进行训练生成第一训练模型，后根据第二训练数据集和第三训练数据集和预设的采用所述第二预训练模型辅助训练的第二训练阶段对所述第一训练模型进行训练生成所述姿态角检测模型的方法生成的；基于预设的偏转角计算函数和俯仰角计算函数，根据所述特征向量获取所述人脸图像的偏转角和俯仰角。向量获取所述人脸图像的偏转角和俯仰角。向量获取所述人脸图像的偏转角和俯仰角。

【技术实现步骤摘要】
姿态角检测方法、系统、电子设备及存储介质


[0001]本申请实施例涉及数据处理领域，特别涉及一种姿态角检测方法、系统、电子设备及存储介质。

技术介绍

[0002]人脸在图像中的姿态角是影响人脸图像质量的主要因素之一，在日趋成熟的基于深度学习图像处理的人脸识别技术应用中，通常需要将输入中的大姿态人脸图像过滤，以减少误识别、漏识别的事件发生。
[0003]检测人脸在二维图像中的姿态角有两种常用方法，一是基于人脸在二维图像中的关键点的相对位置关系估算姿态角，但是这种方法受不同人脸脸型影响大，难以给出准确结果；二是结合深度相机，利用拍摄的三维信息，参考标准人脸，估算人脸在二维图像中的姿态角，这种方法依赖深度相机和标准人脸，且实时计算依赖成本高昂的高算力硬件；也有人利用深度学习技术计算二维图像人脸姿态角，然而人脸在二维图像中的姿态角是连续变化的，属于回归任务，在执行有监督训练时，人脸姿态角的标注是非常困难的，因为没有显著的特征可以参考。

技术实现思路

[0004]本申请实施例的目的在于提供一种姿态角检测方法、系统、电子设备及存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种姿态角检测方法，其特征在于，所述方法包括：获取待检测的人脸图像；根据预设的姿态角检测模型对所述人脸图像进行处理，获取所述人脸图像的特征向量，其中，所述姿态角检测模型通过先根据第一训练数据集和预设的采用第二预训练模型辅助训练的第一训练阶段对第一预训练模型进行训练生成第一训练模型，后根据第二训练数据集和第三训练数据集和预设的采用所述第二预训练模型辅助训练的第二训练阶段对所述第一训练模型进行训练生成所述姿态角检测模型的方法生成的，所述第一训练数据集和所述第三训练数据集为无标注训练数据集，所述第二训练数据集为有标注训练数据集；基于预设的偏转角计算函数和俯仰角计算函数，根据所述特征向量获取所述人脸图像的偏转角和俯仰角。2.根据权利要求1所述的姿态角检测方法，其特征在于，所述根据第一训练数据集和预设的采用第二预训练模型辅助训练的第一训练阶段对第一预训练模型进行训练生成第一训练模型，包括：将所述第一训练数据集输入到所述第一预训练模型中进行处理，生成第一输出向量；对所述第一输出向量进行采样处理之后输入所述第二预训练模型中进行处理，生成第二输出向量；基于预设第一损失函数和预设第一优化函数，根据所述第一输出向量、所述第二输出向量和所述第二预训练模型的输入对所述第一预训练模型进行训练，生成所述第一训练模型。3.根据权利要求2所述的姿态角检测方法，其特征在于，所述基于预设第一损失函数和预设第一优化函数，根据所述第一输出向量、所述第二输出向量和所述第二预训练模型的输入对所述第一预训练模型进行训练，生成第一训练模型，包括：基于所述第一损失函数，根据所述第一输出向量和所述第二输出向量获取所述第一预训练模型损失值；基于所述第一优化函数，根据所述损失值对所述第一预训练模型进行训练，生成所述第一训练模型；其中，所述第一损失函数的表达式为：loss
(i)
为所述损失值,MU
n(i)
和VAR
n(i)
为所述第一输出向量，DX
(i)
为所述第二输出向量，X
(i)
为所述第一训练数据集中的第i个训练数据，Z
n(i)
为所述第二预训练模型的输入，p(Z
n(i)
)为的Z
n(i)
概率密度函数，mse(A，B)为A和B的均方误差，KL(A||B)为A和B的Kullback
‑
Leibler散度，α和β为大于0的超参数，N为大于2的超参数，n＝1，2，3，
…
，N；所述第一优化函数的表达式为：4.根据权利要求1所述的姿态角检测方法，其特征在于，所述根据第二训练数据集、第三训练数据集和预设的采用所述第二预训练模型辅助训练的第二训练阶段对所述第一训
练模型进行训练生成所述姿态角检测模型，包括：将所述第二训练数据集输入到所述第一训练模型中，生成第三输出向量，并根据所述第三输出向量生成第一向量值和第二向量值；将所述第三训练数据集输入到所述第一训练模型中进行处理，生成第四输出向量；对所述第四输出向量进行所述采样处理之后输入所述第二预训练模型中进行处理，生成第五输出向量；基于预设第二损失函数和预设第二优化函数，根据所述第一向量值、所述第二向量值、所述第二预训练模型的输入、所述第四输出向量和所述第五输出向量对所述第一训练模型进行训练，生成所述姿态角检测模型。5.根据权利要求4所述的姿态角检测方法，其特征在于，所述第二训练数据集包括同俯仰角不同偏转角数据集和同偏转角不同俯仰角数据集，所述第三输出向量包括偏转角特征向量和俯仰角特征向量；所述将所述第二训练数据集输入到所述第一训练模型中，生成第三输出向量，并根据所述第三输出向量生成第一向量值和第二向量值，包括：将所述同俯仰角不同偏转角数据集输入到所述第一训练模型中，生成所述偏转角特征向量；将所述同偏转角不同俯仰角数据集输入到所述第一训练模型中，生成所述俯仰角特征向量；基于预设向量值函数，根据所述偏转角特征向量生成所述第一向量值，并根据所述俯仰角特征向量生成所述第二向量值；其中，所述向量值函数的表达式为：或ny为所述第一向量值，ymu

【专利技术属性】
技术研发人员：刘冲冲，付贤强，何武，朱海涛，户磊，
申请(专利权)人：合肥的卢深视科技有限公司，
类型：发明
国别省市：