[发明专利]人脸姿态识别模型的训练方法及其系统和装置

权利要求书

1.基于卷积神经网络和概率模型的人脸姿态识别模型的训练方法，其特征在于，包括以下步骤：

(a)根据预设理想误差分别对方向角roll、yaw、pitch角度值设置阈值间隔，所述方向角roll、yaw、pitch的角度值分别转换为不同的方向角类别；

其中，分类类别数与区间间隔范围的计算公式如下：

interval_i＝[minvalue+i*bins，minvalue+(i+1)*bins)；

minvalue和maxvalue分别表示方向角范围的最大值和最小值，cnum表示分类类别数，bins表示阈值间隔，interval_i表示第i个类别的角度值范围，下标i∈[0,cnum-1]；

(b)依据概率模型对所述人脸姿态方向角roll，yaw，pitch角度值的方向角分类类别进行联合训练；

其中，所述概率模型计算方向角roll、yaw、pitch角度值的公式均如下：

x′_i＝(x_i*bins)+minvalue+(bins-1)/2

x_i表示第i个类别的类别数值即x_i∈[0,cnum-1]，x′_i表示每个类别方向角角度值的理想预测参考值，p_i表示对应概率事件x_i发生的概率，E(x)′为最终的角度预测值，bins为阈值间隔，minvalue为方向角范围的最小值，cnum表示分类类别数；

所述联合训练通过计算联合损失函数进行，所述联合损失函数为方向角角度分类损失、方向角均方误差损失和方向角方差损失加权组合得到；

所述方向角角度分类损失采用交叉熵损失函数计算；

所述交叉熵损失函数如下：

其中，m表示训练样本数量，表示第j个样本方向角属于第i个类别的真实概率，其值为0或者1，表示第j个样本方向角属于第i个类别的预测概率；

所述方向角均方误差损失的计算公式如下：

其中，E′_j表示第j个样本方向角角度值的最终预测值，value_j表示第j个样本方向角角度值的真实值，m表示训练样本个数；

所述方向角方差损失的计算公式如下：

其中，m表示训练样本个数，表示第j个样本属于第i个类别方向角角度值的理想预测参考值，E(x)′_j表示第j个样本最终的角度预测值，表示第j个样本方向角属于第i个类别的预测概率值；

所述加权组合的计算公式如下：

L_total＝L_cls+αL_mse+βL_var；

其中，L_cls为方向角角度分类损失，L_mse为方向角均方误差损失，L_var为方向角方差损失，α和β分别表示均方误差损失和方差损失的权重。

2.根据权利要求1所述的基于卷积神经网络和概率模型的人脸姿态识别模型的训练方法，其特征在于，在设置阈值间隔与角度值转换为方向角类别之间，还包括以下步骤：

对所述方向角roll角度值识别范围进行判断；

若方向角roll识别的角度值范围需支持[-180,180]，则所述方向角roll角度值以其绝对值设置阈值间隔进行分类，并额外增加roll角旋转方向的分类；

所述roll角旋转方向的分类识别损失函数计算公式如下：

其中，m表示训练样本个数，表示第j个样本方向角属于第i个类别的真实概率，其值为0或者1，表示第j个样本方向角属于第i个类别的预测概率；

相应地，所述roll角的联合损失计算公式如下：

其中，为roll角角度分类损失，为roll角均方误差损失，为roll角方差损失，α和β分别表示均方差损失和方差损失的权重；

若方向角roll识别的角度值范围无需支持[-180,180]，则所述方向角roll角度值直接以设置的阈值间隔转换为不同的方向角类别。