本申请公开了一种头部姿态的识别方法和装置、处理器及电子设备，涉及人工智能技术领域，该方法包括：获取待处理的目标图像，其中，所述目标图像中至少包括目标对象的头部图像；将所述目标图像输入到目标姿态识别模型中，通过所述目标姿态识别模型输出头部姿态角，其中，所述目标姿态识别模型中至少包括：特征提取层和头部姿态识别层，所述特征提取层中至少包括最大池化层、抗混叠卷积层和降采样层，所述抗混叠卷积层由高斯滤波器构建得到，其中，所述头部姿态角用于表征所述目标对象的头部姿态。通过本申请，解决了相关技术中的神经网络模型容易产生图像混叠现象，导致预测头部姿态的准确率比较低的问题。态的准确率比较低的问题。态的准确率比较低的问题。
【技术实现步骤摘要】
头部姿态的识别方法和装置、处理器及电子设备
[0001]本申请涉及人工智能
，具体而言，涉及一种头部姿态的识别方法和装置、处理器及电子设备。
技术介绍
[0002]头部姿态估计研究在很多领域都具有广泛的应用场景。例如：人脸认证系统、驾驶员监测系统、虚拟现实、安防监控系统、学生课堂注意等等。在金融行业中，各类应用系统都包含了人脸识别功能，且为了保证识别的准确性，应用系统的人脸识别步骤还包含了各种头部转向动作，例如点头、摇头、向左右转头等，这些都属于头部姿态估计的实际应用。在头部姿态估计研究历程中可以发现，头部姿态估计算法发展方向逐渐由传统的模式识别向深度学习方法发展。近些年，深度学习在头部姿态估计研究领域大放异彩，许多学者选择深度学习方法来进行头部姿态估计。深度学习通常采用卷积神经网络从海量数据中学习到鲁棒性较好的特征。但是神经网络中使用频率较高的降采样方法(例如最大池化，跨步卷积)通常会忽略经典采样定理，使降采样后的图像产生混叠现象，进而影响网络模型的预测精度。
[0003]针对相关技术中的神经网络模型容易产生图像混叠现象，导致预测头部姿态的准确率比较低的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本申请的主要目的在于提供一种头部姿态的识别方法和装置、处理器及电子设备，以解决相关技术中的神经网络模型容易产生图像混叠现象，导致预测头部姿态的准确率比较低的问题。
[0005]为了实现上述目的，根据本申请的一个方面，提供了一种头部姿态的识别方法。该方法包括：获取待处理的目标图像，其中，所述目标图像中至少包括目标对象的头部图像；将所述目标图像输入到目标姿态识别模型中，通过所述目标姿态识别模型输出头部姿态角，其中，所述目标姿态识别模型中至少包括：特征提取层和头部姿态识别层，所述特征提取层中至少包括最大池化层、抗混叠卷积层和降采样层，所述抗混叠卷积层由高斯滤波器构建得到，其中，所述头部姿态角用于表征所述目标对象的头部姿态。
[0006]进一步地，通过所述目标姿态识别模型输出头部姿态角包括：通过特征提取层对所述目标图像进行处理，得到目标特征图；通过头部姿态识别层对所述目标特征图进行识别，得到所述头部姿态角。
[0007]进一步地，通过特征提取层对所述目标图像进行处理，得到目标特征图包括：通过所述最大池化层对所述目标图像进行池化，得到候选特征图；通过所述抗混叠卷积层对所述候选特征图进行卷积，得到处理后的候选特征图；通过所述降采样层对所述处理后的候选特征图进行采样，得到所述目标特征图。
[0008]进一步地，在通过所述目标姿态识别模型输出头部姿态角之后，所述方法还包括：将所述头部姿态角发送至客户端；接收所述客户端返回的对所述头部姿态角的调整信息，
其中，所述调整信息为将所述目标图像对应的头部姿态调整至目标姿态；依据所述头部姿态角的调整信息优化所述目标姿态识别模型。
[0009]进一步地，所述目标姿态识别模型采用以下步骤训练得到：获取多个训练样本，其中，所述多个训练样本至少包括：多个训练样本图像和所述多个训练样本图像对应的标准头部姿态角和所述多个训练样本图像对应的标准人脸关键点信息；将所述多个训练样本输入到初始姿态识别模型中，通过所述初始姿态识别模型中的人脸关键点检测层得到预测人脸关键点信息，并通过所述初始姿态识别模型中的头部姿态识别层得到预测头部姿态角；基于所述标准头部姿态角、所述预测头部姿态角、所述标准人脸关键点信息和所述预测人脸关键点信息，构建目标损失函数；依据所述目标损失函数对所述初始姿态识别模型进行训练，以得到所述目标姿态识别模型。
[0010]进一步地，基于所述标准头部姿态角、所述预测头部姿态角、所述标准人脸关键点信息和所述预测人脸关键点信息，构建目标损失函数包括：对所述标准头部姿态角和所述预测头部姿态角的偏差进行计算，得到第一偏差量，并依据所述第一偏差量构建第一损失函数；对所述标准人脸关键点信息和所述预测人脸关键点信息的偏差进行计算，得到第二偏差量，并依据所述第二偏差量构建第二损失函数；基于所述第一损失函数和所述第二损失函数构建所述目标损失函数。
[0011]进一步地，基于所述第一损失函数和所述第二损失函数构建所述目标损失函数包括：设置所述第一损失函数的第一权重值，并设置所述第二损失函数的第二权重值；依据所述第一损失函数，所述第二损失函数，所述第一权重值和所述第二权重值，构建所述目标损失函数。
[0012]为了实现上述目的，根据本申请的另一方面，提供了一种头部姿态的识别装置。该装置包括：第一获取单元，用于获取待处理的目标图像，其中，所述目标图像中至少包括目标对象的头部图像；输出单元，用于将所述目标图像输入到目标姿态识别模型中，通过所述目标姿态识别模型输出头部姿态角，其中，所述目标姿态识别模型中至少包括：特征提取层和头部姿态识别层，所述特征提取层中至少包括最大池化层、抗混叠卷积层和降采样层，所述抗混叠卷积层由高斯滤波器构建得到，其中，所述头部姿态角用于表征所述目标对象的头部姿态。
[0013]进一步地，所述输出单元包括：处理模块，用于通过特征提取层对所述目标图像进行处理，得到目标特征图；识别模块，用于通过头部姿态识别层对所述目标特征图进行识别，得到所述头部姿态角。
[0014]进一步地，所述处理模块包括：池化子模块，用于通过所述最大池化层对所述目标图像进行池化，得到候选特征图；卷积子模块，用于通过所述抗混叠卷积层对所述候选特征图进行卷积，得到处理后的候选特征图；采样子模块，用于通过所述降采样层对所述处理后的候选特征图进行采样，得到所述目标特征图。
[0015]进一步地，所述装置还包括：发送单元，用于在通过所述目标姿态识别模型输出头部姿态角之后，将所述头部姿态角发送至客户端；接收单元，用于接收所述客户端返回的对所述头部姿态角的调整信息，其中，所述调整信息为将所述目标图像对应的头部姿态调整至目标姿态；优化单元，用于依据所述头部姿态角的调整信息优化所述目标姿态识别模型。
[0016]进一步地，所述目标姿态识别模型采用以下步骤训练得到：第二获取单元，用于获
取多个训练样本，其中，所述多个训练样本至少包括：多个训练样本图像和所述多个训练样本图像对应的标准头部姿态角和所述多个训练样本图像对应的标准人脸关键点信息；输入单元，用于将所述多个训练样本输入到初始姿态识别模型中，通过所述初始姿态识别模型中的人脸关键点检测层得到预测人脸关键点信息，并通过所述初始姿态识别模型中的头部姿态识别层得到预测头部姿态角；构建单元，用于基于所述标准头部姿态角、所述预测头部姿态角、所述标准人脸关键点信息和所述预测人脸关键点信息，构建目标损失函数；依据所述目标损失函数对所述初始姿态识别模型进行训练，以得到所述目标姿态识别模型。
[0017]进一步地，所述构建单元包括：第一计算模块，用于对所述标准头部姿态角和所述预测头部姿态角的偏差进行计算，得到第一偏差量，并依据所述第一偏差量构建第一损失函数；第二计算模块，用于对所述标准人脸关键点本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种头部姿态的识别方法，其特征在于，包括：获取待处理的目标图像，其中，所述目标图像中至少包括目标对象的头部图像；将所述目标图像输入到目标姿态识别模型中，通过所述目标姿态识别模型输出头部姿态角，其中，所述目标姿态识别模型中至少包括：特征提取层和头部姿态识别层，所述特征提取层中至少包括最大池化层、抗混叠卷积层和降采样层，所述抗混叠卷积层由高斯滤波器构建得到，其中，所述头部姿态角用于表征所述目标对象的头部姿态。2.根据权利要求1所述的方法，其特征在于，通过所述目标姿态识别模型输出头部姿态角包括：通过特征提取层对所述目标图像进行处理，得到目标特征图；通过头部姿态识别层对所述目标特征图进行识别，得到所述头部姿态角。3.根据权利要求2所述的方法，其特征在于，通过特征提取层对所述目标图像进行处理，得到目标特征图包括：通过所述最大池化层对所述目标图像进行池化，得到候选特征图；通过所述抗混叠卷积层对所述候选特征图进行卷积，得到处理后的候选特征图；通过所述降采样层对所述处理后的候选特征图进行采样，得到所述目标特征图。4.根据权利要求1所述的方法，其特征在于，在通过所述目标姿态识别模型输出头部姿态角之后，所述方法还包括：将所述头部姿态角发送至客户端；接收所述客户端返回的对所述头部姿态角的调整信息，其中，所述调整信息为将所述目标图像对应的头部姿态调整至目标姿态；依据所述头部姿态角的调整信息优化所述目标姿态识别模型。5.根据权利要求1所述的方法，其特征在于，所述目标姿态识别模型采用以下步骤训练得到：获取多个训练样本，其中，所述多个训练样本至少包括：多个训练样本图像和所述多个训练样本图像对应的标准头部姿态角和所述多个训练样本图像对应的标准人脸关键点信息；将所述多个训练样本输入到初始姿态识别模型中，通过所述初始姿态识别模型中的人脸关键点检测层得到预测人脸关键点信息，并通过所述初始姿态识别模型中的头部姿态识别层得到预测头部姿态角；基于所述标准头部姿态角、所述预测头部姿态角、所述标...
【专利技术属性】
技术研发人员：代欢欢，宋府昌，张丽，张俊俊，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。