头部姿态估计方法、系统和介质技术方案

本公开提供了头部姿态估计方法、系统和介质。该头部姿态估计方法包括：基于改进的PFPLD算法确定修改的PFPLD模型，其中，在所述修改的PFPLD模型中：特征金字塔增加有两个更底层的不同尺度的特征层，并且用深度可分离卷积结构代替人脸关键点检测分支中的反向残差结构和人脸姿态检测分支中的原始卷积结构；使用增强人脸数据集对所述修改的PFPLD模型进行训练；以及使用经训练的PFPLD模型对获取的人脸图像的头部姿态进行估计。的头部姿态进行估计。的头部姿态进行估计。

【技术实现步骤摘要】
头部姿态估计方法、系统和介质


[0001]本专利技术涉及人脸识别
，更具体地涉及头部姿态估计方法、系统和介质。

技术介绍

[0002]头部姿态估计是通过一幅具有人脸的图像来获得当前头部的姿态角度，包括pitch、yaw和roll三个欧拉角，这三个欧拉角也称为俯仰角、偏航角和翻滚角。现如今，头部姿态估计已经被广泛应用在众多场景中，例如用于诸如检测司机是否疲劳驾驶、学生上课是否精力集中等对注意力的检测，用于辅助进行人脸识别，用于通过点头或摇头进行机器人控制的人机互动等。
[0003]针对智能门锁领域，现有技术方案普遍在指纹解锁的基础上，添加了人脸识别解锁功能，以提升智能门锁的安全性。智能门锁在进行人脸识别时，通常将获取到的当前人脸图像与预先存储在智能门锁中的人脸图像进行比对。然而，人脸的正脸图像和侧脸图像的比对成功率通常较低，如果在用户尝试开锁时获取到的当前人脸图像的角度与预先存储的人脸图像的角度差别较大，则难以开锁，这影响了开锁速度和用户体验。因此，人脸识别的准确率很大程度上取决于预先存储的人脸图像的角度，因此可以利用头部姿态估计来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种头部姿态估计方法，包括：基于改进的PFPLD算法确定修改的PFPLD模型，其中，在所述修改的PFPLD模型中：特征金字塔增加有两个更底层的不同尺度的特征层，并且用深度可分离卷积结构代替人脸关键点检测分支中的反向残差结构和人脸姿态检测分支中的原始卷积结构；使用增强人脸数据集对所述修改的PFPLD模型进行训练；以及使用经训练的PFPLD模型对获取的人脸图像的头部姿态进行估计。2.根据权利要求1所述的方法，其中，使用增强人脸数据集对所述修改的PFPLD模型进行训练包括：使用包括不同数量的关键点的人脸数据集对所述修改的PFPLD模型进行训练。3.根据权利要求2所述的方法，其中，使用增强人脸数据集对所述修改的PFPLD模型进行训练还包括：增加所述人脸数据集中的关键点的数量；确定所述人脸数据集中的原始关键点与增加后的关键点之间重合的点位；基于所述重合的点位以及增加后的全部点位计算人脸关键点损失；基于增加后的全部点位计算人脸姿态损失；以及基于所述人脸关键点损失和所述人脸姿态损失得到人脸总损失。4.根据权利要求1所述的方法，其中，使用经训练的PFPLD模型对获取的人脸图像的头部姿态进行估计包括：使用经训练的PFPLD模型确定所述人脸图像的头部姿态角度。5.根据权利要求4所述的方法，其中，使用经训练的PFPLD模型确定所述人脸图像的头部姿态角度还包括：将所述人脸图像的尺寸调整至预设尺寸以获得经调整的人脸图像；以及基于经调整的人脸图像，使用经训练的PFPLD模型确定所述头部姿态角度。6.根据权利要求4或5所述的方法，其中，所述头部姿态角度包括头部的俯仰角、偏航角以及翻滚角。7.根据权利要求1所述的方法，还包括：从视频帧中获取所述人脸图像。8.根据权利要求7所述的方法，其中，从视频帧中获取所述人脸图像包括：对所述视频帧进行人脸检测以确定包括人脸的区域；以及从所述视频帧中裁剪出所述区域以作为所述人脸图像。9.一种头部姿态估计系统，包括：经训练的PFPLD模型，其中，所述经训练的PFPLD模型是通过...

【专利技术属性】
技术研发人员：高珊，邓博文，陈志樑，
申请(专利权)人：广州昂宝电子有限公司，
类型：发明
国别省市：