一种轻量的实时人脸检测和头部姿态估计方法及系统技术方案

本发明专利技术提供了一种轻量的实时人脸检测和头部姿态估计方法及系统。该方法包括：建立包含人脸检测和头部姿态数据的训练数据集，将人脸数据和头部姿态数据进行整合，组成包含两者标注信息的数据集；构建轻量的人脸检测和头部姿态估计网络，使用各种模型轻量化的手段来降低模型大小；模型进行训练时采用多任务损失函数。本发明专利技术使用了计算机视觉技术和图像处理技术作为技术基础，能够一次性得到人脸检测和头部姿态估计的结果，同时能有效保证人脸检测和头部姿态估计结果的准确性和实时性。头部姿态估计结果的准确性和实时性。头部姿态估计结果的准确性和实时性。

【技术实现步骤摘要】
一种轻量的实时人脸检测和头部姿态估计方法及系统


[0001]本专利技术涉及计算机视觉和图像处理领域，特别涉及一种轻量的实时人脸检测和头部姿态估计方法及系统。

技术介绍

[0002]人脸检测和和头部姿态估计在很多场景中都有很多应用，蕴含了许多信息，比如人的面部朝向，当前脸部相对位置。因此，越来越多的智能系统中开始使用人脸检测和头部姿态估计的方法：在教学过程中，可以通过学生的脸部位置和头部姿态角来判断学生的注意力情况；在智能驾驶辅助系统中，可以通过实时跟踪驾驶员的脸部位置和头部姿态信息来及时预警，避免事故发生等。在这些场景下应用往往需要轻量化的网络来提高实时性同时降低计算量。
[0003]人脸检测为目标检测的一个分支。目前，人脸检测方法大致可分为两类：基于手工提取特征的方法和基于深度学习的方法。其中，手工提取特征的方法通过从图像中手工提取特征，获得特征向量，使用分类器进行分类，进行人脸检测；而深度学习的方法思路是通过神经网络训练一个分类器，训练好的分类器在进行人脸检测时速度足够快，同时精度也有保障。
[0004]头部姿态估计中，有使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量的实时人脸检测和头部姿态估计方法，其特征在于，包括以下步骤：建立包含人脸检测和头部姿态数据的训练数据集；构建轻量的人脸检测和头部姿态估计网络；利用训练数据集，采用多任务损失函数对轻量的人脸检测和头部姿态估计网络进行训练；将待处理图像输入训练完成的轻量的人脸检测和头部姿态估计网络，得到人脸检测和头部姿态估计结果。2.根据权利要求1所述的方法，其特征在于，所述训练数据集为人脸检测数据集和头部姿态估计数据集结合组成。3.根据权利要求2所述的方法，其特征在于，所述人脸检测数据集使用人脸关键点映射3D模型的方法来获取头部姿态信息；所述头部姿态数据集使用人脸关键点位置生成人脸框信息，从而获取人脸检测信息。4.根据权利要求1所述的方法，其特征在于，所述轻量的人脸检测和头部姿态估计网络使用轻量级的网络模型作为特征提取网络，轻量级的网络模型构建方法包括模型量化、知识蒸馏、轻量化模型结构设计和模型剪枝，以降低网络整体的参数量和计算量，提高实时性。5.根据权利要求4所述的方法，其特征在于，所述轻量的人脸检测和头部姿态估计网络将特征提取网络从图像的三个不同尺度获取的特征信息，送入到不同的支路，在不同支路中对不同尺度的特征进行人脸检测和头部姿态估计，输出结果为最终人脸检测和头部姿态估计结果。6.根据权利要求5所述的方法，其特征在于，所述轻量的人脸检测和头部姿态估计网络采用轻量的MobilNet
‑
V3作为特征提取网络，支路通过空间金字塔结构和路径聚合提取输入图片的不同层级的语义信息；所述不同层级的语义信息指由MobileNet
‑
V3特征提取网络中输出特征图尺寸为输入尺寸的1/32、1/16、1/8的特征图；每种特征图作为不同层级人脸检测和头部姿态估计支路的输入，模型输出部分为三种图像尺度的特征表示，即y1、y2和y3，其中y1是13
×
13像素尺度，y2是26
×
26像素尺度，y3是52
×
52像素尺度，每一种尺度分别输出3个65维的特征向量；特征向量的前5维分别表示人脸框置信度、中心点横轴坐标、中心点纵轴坐标、人脸框高度和人脸框宽度，后面60维分别表示三种姿态角的特征向量，每一种姿态角特征使用20维向量表征。7.根据权利要求1所述的方法，其特征在于，所述轻量的人脸检测和头部姿态估计网络输出的结果为人脸框中心位置和人脸框的长宽以及头部的航向角、俯仰角和横滚...

【专利技术属性】
技术研发人员：陈辉，姚乃明，范睿凯，王宏安，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：