【技术实现步骤摘要】
本申请涉及姿态检测，特别是涉及一种基于改进repvgg网络的头部姿态检测方法及设备。
技术介绍
1、头部姿势估计旨在计算图像或视频中人体头部的三维方向，是计算机视觉领域广泛研究的基础问题，在多个领域有着广泛的实用价值。在驾驶员状态检测领域中，头部姿态估计可以与面部检测结合来监测驾驶员的警觉状态，从而提高驾驶安全。在人机交互领域中，它可以帮助系统理解用户的视线和注意力方向，根据用户的头部姿态调整视角，使得体验更加真实。在监控应用中，头部姿态估计可以帮助识别人群中的异常行为，如通过头部姿态实时识别课堂上的学生行为，使得教师调整教学方法以提高学生参与度。头部姿态估计技术增强了多种技术和设备的功能性和互动性，极大地扩展了现代技术的应用范围和深度。
2、基于面部关键点和无面部关键点是解决头部姿态估计任务的两种主要方法。基于关键点的方法主要通过由面部坐标检测器提取的面部关键点来回归头部姿态角。hhp-net利用二维姿态估计算法自动计算关键点，并输出由偏航、俯仰和滚动表示的头部姿态。barra等首先预测68个面部关键点的位置，再将每个标志点分配给一个特定的扇区，并使用获得的整体信息构建一个特征向量来推断头部姿态。gupta等在五个面部关键点上使用二维软定位热图形式的不确定性图，并通过卷积神经网络对头部姿态进行回归。eva-gcn构建了一个关键点连接图，并利用图卷积网络来学习真实头部姿态和面部关键点分布之间的非线性相关性。h-cnn迭代地细化面部关键点，而头部姿态估计是总任务的一个支线任务。然而基于面部关键点方法严重依赖关键点检测的
3、非关键点的方法直接从面部图像估计头部姿势，无需检测关键点，减少了执行时间。rafa通过在网络结构中引入自我注意机制来自动捕捉人脸细节。kuhnke等提出了一种基于相对姿态一致性正则化的半监督学习策略来进行头部姿态估计。trinet提出了一个预测具有正交性约束的三个向量的深度网络模型，并使用平均绝对误差(maev)来评估性能。mfdnet提出了一个具有三元模块和矩阵fisher分布模块的三分支头部姿态模型。它是一种可以鲁棒性地学习的头部姿态嵌入方法。arhpe通过引入洛伦兹分布，对偏航方向和俯仰方向赋予不同的权重。与传统的端到端框架相比，所提出的方法可以通过输入图像利用不对称关系线索来预测标签不正确情况下的头部姿态角。近年来，无面部关键点的头部姿态估计方法已成为一个有前景的研究领域，其具有更好的泛化能力和简单的处理流程，因此本实施例通过无面部关键点方法进行面部姿态估计任务。
4、由于表情、种族和性别等头部外观，以及遮挡、噪声和照明等环境因素的巨大变化，头部姿势估计的任务具有挑战性。随着深度学习的发展，头部姿态检测技术也随之发展，检测的效果也得到了较大提升。但现有检测方案中存在采集的特征鲁棒性较差，关键特征的捕捉能力不足，模型的稳定性和准确率不平衡等问题。
技术实现思路
1、本申请的目的是提供一种基于改进repvgg网络的头部姿态检测方法及设备，基于改进repvgg和无面部关键点完成头部姿态检测，提高头部姿态检测的检测精度。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种基于改进repvgg网络的头部姿态检测方法，包括：
4、获取待测头部图像；
5、将所述待测头部图像输入到头部姿态检测模型中，得到待测头部图像的头部姿态；所述头部姿态检测模型是利用不同姿态的面部图像对改进repvgg网络进行训练后得到的；所述改进repvgg网络是在repvgg网络中添加特征去噪模块和注意力信息融合模块后得到的。
6、可选地，所述改进repvgg网络包括：依次连接的特征去噪模块、第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、注意力信息融合模块、第五特征提取模块、全连接结构和schmidt正交函数。
7、可选地，所述特征去噪模块包括：依次连接的第一卷积操作层、批量归一化层、relu激活函数层和第一残差运算层；
8、所述卷积操作层的输入端输入待测头部图像或训练的不同姿态的面部图像；
9、所述第一残差运算层的第二输入端用于输入待测头部图像或训练的不同姿态的面部图像；
10、所述第一残差运算层还与所述第一特征提取模块的输入端连接。
11、可选地，所述第一特征提取模块包括第一残差结构；
12、所述第二特征提取模块包括依次连接的第二残差结构和n1个第三残差结构；
13、所述第三特征提取模块包括依次连接的第四残差结构和n2个第五残差结构；
14、所述第四特征提取模块包括依次连接的第六残差结构和n3个第七残差结构；
15、所述第五特征提取模块包括第八残差结构；
16、所述第一残差结构、所述第二残差结构、所述第四残差结构、所述第六残差结构和所述第八残差结构均为包含1×1卷积矩阵的残差结构；
17、所述第三残差结构、所述第五残差结构和所述第七残差结构均为包含1×1卷积和恒等映射的残差结构。
18、可选地，所述注意力信息融合模块包括改进注意力模块、第二残差运算层、relu激活函数层、第二卷积操作层、第一sigmoid函数层、第一乘运算层、第二乘运算层和第三残差运算层；
19、所述改进注意力模块的输入端、所述第二残差运算层的第一输入端和所述第一乘运算层的第一输入端均与所述第四特征提取模块的输出端连接；
20、所述改进注意力模块的第一输出端与所述第二残差运算层的第二输入端连接；
21、所述改进注意力模块的第二输出端与所述第二乘运算层的第一输入端连接；
22、所述第二残差运算层的输出端与所述relu激活函数层的输入端连接；
23、所述relu激活函数层的输出端与所述第二卷积操作层的输入端连接；
24、所述第二卷积操作层的输出端与所述第一sigmoid函数层的输入端连接；
25、所述第一sigmoid函数层的第一输出端与所述第一乘运算层的第二输入端连接
26、所述第一sigmoid函数层的第二输出端与所述第二乘运算层的第二输入端连接
27、所述第二乘运算层的输出端与所述第三残差运算层的第一输入端连接；
28、所述第一乘运算层的输出端与所述第三残差运算层的第二输入端连接；
29、所述第三残差运算层的输出端与所述第五特征提取模块的输入端连接。
30、可选地，所述改进注意力模块包括：第一分支、第二分支、第三分支和第四残差运算层；
31、所述第一分支的输出端、所述第二分支的输出端和所述第二分支本文档来自技高网...
【技术保护点】
1.一种基于改进RepVGG网络的头部姿态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述改进RepVGG网络包括：依次连接的特征去噪模块、第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、注意力信息融合模块、第五特征提取模块、全连接结构和Schmidt正交函数。
3.根据权利要求2所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述特征去噪模块包括：依次连接的第一卷积操作层、批量归一化层、ReLU激活函数层和第一残差运算层；
4.根据权利要求3所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述第一特征提取模块包括第一残差结构；
5.根据权利要求4所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述注意力信息融合模块包括改进注意力模块、第二残差运算层、ReLU激活函数层、第二卷积操作层、第一Sigmoid函数层、第一乘运算层、第二乘运算层和第三残差运算层；
6.根据权利要求5所述的基于改进R
7.根据权利要求6所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述第一分支包括第三卷积操作层；
8.根据权利要求7所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，在获取待测头部图像之前，还包括：
9.根据权利要求8所述的基于改进RepVGG网络的头部姿态检测方法，其特征在于，所述混合损失函数为：
10.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-9中任一项所述的基于改进RepVGG网络的头部姿态检测方法。
...【技术特征摘要】
1.一种基于改进repvgg网络的头部姿态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进repvgg网络的头部姿态检测方法，其特征在于，所述改进repvgg网络包括：依次连接的特征去噪模块、第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、注意力信息融合模块、第五特征提取模块、全连接结构和schmidt正交函数。
3.根据权利要求2所述的基于改进repvgg网络的头部姿态检测方法，其特征在于，所述特征去噪模块包括：依次连接的第一卷积操作层、批量归一化层、relu激活函数层和第一残差运算层；
4.根据权利要求3所述的基于改进repvgg网络的头部姿态检测方法，其特征在于，所述第一特征提取模块包括第一残差结构；
5.根据权利要求4所述的基于改进repvgg网络的头部姿态检测方法，其特征在于，所述注意力信息融合模块包括改进注意力模块、第二残差运算层、relu激...
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。