[发明专利]基于多尺度轻量化网络的头部姿态估计方法、系统、设备及介质

权利要求书

1.一种基于多尺度轻量化网络的头部姿态估计方法，其特征在于，包括：

获取包含头部姿态的数据集，预处理所述数据集；

利用多尺度卷积网络提取所述预处理的数据集得到相应的特征图；其中，构建K个通道的特征通道，每个所述特征通道对应一个尺度的卷积网络对预处理后的数据集进行特征提取，得到K个不同尺度的特征图；采用并行多分支结构的特征提取融合方式，分别用K个通道卷积核尺度为3ⅹ3，5ⅹ5以及7ⅹ7的结构作为特征提取器，对所述数据集内的输入图像进行卷积处理，池化层函数采用步长为2，大小为2ⅹ2的最大池化层，在人脸图像特征提取后，引入1ⅹ1卷积来降低系统参数量，并将三个通道的特征图叠加融合，作为MobileNet回归器模型的训练与测试数据；

基于所述特征图训练轻量化网络得到MobileNet回归器模型；

获取待测图像的头部图像，将其输入到所述MobileNet回归器模型进行头部姿态预测，得到所述待测图像的头部姿态信息。

2.根据权利要求1所述的基于多尺度轻量化网络的头部姿态估计方法，其特征在于，所述数据集包括测试集与训练集，将所述测试集与训练集经过Adaboost人脸检测算法来选取人脸区域，对人脸区域的图像进行图像灰度化、直方图均衡化以及图像归一化处理。

3.根据权利要求1或2所述的基于多尺度轻量化网络的头部姿态估计方法，其特征在于，所述MobileNet回归器模型采用深度可分离卷积，包括逐点卷积与深度卷积；其中，所述MobileNet回归器模型的宽度因子为0.75，分辨率因子为192。

4.根据权利要求1所述的基于多尺度轻量化网络头部姿态估计方法，其特征在于，所述基于所述特征图训练轻量化网络得到MobileNet回归器模型的步骤，包括：

将训练集内的特征图输入MobileNet回归器模型训练轻量化网络，利用随机梯度下降法，学习率为0.0001，且损失函数为均方误差，迭代训练至少两百次，得到训练的MobileNet回归器模型。

5.根据权利要求2所述的基于多尺度轻量化网络的头部姿态估计方法，其特征在于，还包括：

基于所述测试集提取的特征图输入所述MobileNet回归器模型，计算所述MobileNet回归器模型在测试集下的头部姿态估计的准确率。

6.一种基于多尺度轻量化网络的头部姿态估计系统，其特征在于，包括：

数据获取模块，用于获取包含头部姿态的数据集，预处理所述数据集；

特征提取模块，利用多尺度卷积网络提取所述预处理的数据集得到相应的特征图；其中，构建K个通道的特征通道，每个所述特征通道对应一个尺度的卷积网络对预处理后的数据集进行特征提取，得到K个不同尺度的特征图；采用并行多分支结构的特征提取融合方式，分别用K个通道卷积核尺度为3ⅹ3，5ⅹ5以及7ⅹ7的结构作为特征提取器，对所述数据集内的输入图像进行卷积处理，池化层函数采用步长为2，大小为2ⅹ2的最大池化层，在人脸图像特征提取后，引入1ⅹ1卷积来降低系统参数量，并将三个通道的特征图叠加融合，作为MobileNet回归器模型的训练与测试数据；

模型构建模块，基于所述特征图训练轻量化网络得到MobileNet回归器模型；

头部姿态估计模块，用于获取待测图像的头部图片，将其输入到所述MobileNet回归器模型进行头部姿态预测，得到所述待测图像的头部姿态信息。

7.一种电子设备，其特征在于：包括：

一个或多个处理装置；

存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现权利要求1至5中任一所述的基于多尺度轻量化网络的头部姿态估计方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序用于使所述计算机执行权利要求1至5中任一所述的基于多尺度轻量化网络的头部姿态估计方法。