人脸姿态估计方法、装置、存储介质及计算机设备制造方法及图纸

本申请实施例公开了一种人脸姿态估计方法、装置、存储介质及计算机设备，涉及图像处理领域。包括：将输入图片进行归一化处理得到归一化图像；其中，所述输入图片包含人脸；利用预先训练的简化的网络模型对所述归一化图像进行检测得到人脸预测框的位置信息和多个人脸关键点位置信息；根据所述多个人脸关键点的位置信息计算所述人脸的姿态角。卷积神经网络的结构简单，可以部署在嵌入式设备上，因此可以实现高精度、高实时性和低运算量的人脸姿态估计。计。计。

【技术实现步骤摘要】
人脸姿态估计方法、装置、存储介质及计算机设备


[0001]本申请涉及图像处理领域，尤其涉及一种人脸姿态估计方法、装置、存储介质及计算机设备。

技术介绍

[0002]随着人工智能技术的飞速发展，其相关的产业和应用已经渗透到各个领域，各种智能化产品极大地便利了人们的生活。人脸姿态估计作为人工智能领域的一个连接入口和重要分支，其应用潮已经涌向了人们生产、生活中的众多领域。比如智能台灯姿态检测、疲劳驾驶检测以及虚拟现实等。
[0003]人脸姿态估计一般基于模型的方法、基于人脸外观的方法和基于分类的方法。基于模型的方法是对二维图像中人脸区域来提取2D特征点(如嘴角、眼角和鼻子等)与三维人脸模型3D特征点建立对应关系，利用几何等方法来估计人脸的姿态，在准确的特征点检测的前提下，这种估计人脸姿态的方法简单高效速度快，而且计算量小；基于外观的方法是在假设三维人脸姿态与二维图像中人脸的某些特征(灰度、图形梯度等)存在一定的对应关系，通过构建数学模型训练大量已知姿态的人脸图像恢复这种关系并确定人脸姿态的过程，但实际这种对应关系需要大量的训练图像验证，并且在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸姿态估计方法，其特征在于，包括：将输入图片进行归一化处理得到归一化图像；其中，所述输入图片包含人脸；利用预先训练的网络模型对所述归一化图像进行检测得到人脸预测框的位置信息和多个人脸关键点位置信息；根据所述多个人脸关键点的位置信息计算所述人脸的姿态角。2.根据权利要求1所述的方法，其特征在于，所述多个人脸关键点为：左眼关键点、右眼关键点、鼻子关键点、左嘴角关键点和右嘴角关键点；所述网络模型输出的参数值包括：左眼关键点偏移量(t
x1
,t
y1
)、右眼关键点偏移量(t
x2
,t
y2
)、鼻子关键点偏移量(t
x3
,t
y3
)、左嘴角关键点偏移量(t
x4
,t
y4
)和右嘴角关键点偏移量(t
x5
,t
y5
)；根据如下公式计算各个关键点的2D坐标：其中，Leye
x
和Leye
y
表示左眼关键点的2D坐标，Reye
x
和Reye
y
表示右眼关键点的2D坐标，Nose
x
和Nose
y
表示鼻子关键点的2D坐标，Lmouth
x
和Lmouth
y
表示左嘴角关键点的2D坐标，Rmouth
x
和Rmouth
y
表示右嘴角关键点的2D坐标；c
x
和c
y
为所述人脸预测框的中心点所在的特征网格图的左上角2D坐标；δ()为sigmoid函数。3.根据权利要求1或2所述的方法，其特征在于，所述将输入图片进行归一化处理得到归一化图像之前，还包括：利用聚类算法对数据集进行聚类得到多种尺度的锚框；确定人脸检测损失函数和人脸关键点检测损失函数；利用所述多种尺度的锚框、所述人脸检测损失函数和所述人脸关键点损失函数对所述训练集进行训练得到网络模型。4.根据权利要求3所述的方法，其特征在于，所述人脸关键点损失函数为：w、a和C为常数。5.根据权利要求1或2或4所述的方法，其特征在于，所述归一化处理包括：将原始图像包括的各个像素的取值除以255。6.一种人脸姿态估计装置，其特征在于，包括：归一化单元，用于将输入图片...

【专利技术属性】
技术研发人员：孟娟，
申请(专利权)人：珠海零边界集成电路有限公司，
类型：发明
国别省市：