[发明专利]姿态估计方法、装置、设备及存储介质

权利要求书

1.一种姿态估计方法，其特征在于，包括：

获取待测人脸图像数据；

根据预设加密算法对所述待测人脸图像数据处理生成与所述待测人脸图像数据相关的矩阵化加密数据；和

根据训练好的姿态估计模型将所述矩阵化加密数据进行计算得到姿态估计结果，所述姿态估计模型由训练人脸图像数据处理得到的训练矩阵化加密数据训练生成。

2.如权利要求1所述的姿态估计方法，其特征在于，所述根据预设加密算法对所述待测人脸图像数据处理并计算得到与所述待测人脸图像数据相关的矩阵化加密数据包括：

提取所述待测人脸图像数据中多个特征点；

以坐标转换算法将每个所述特征点的坐标进行坐标转换以生成转换点；

根据所述转换点的坐标进行矩阵转换生成所述矩阵化加密数据。

3.如权利要求1所述的姿态估计方法，其特征在于，所述根据预设加密算法对所述待测人脸图像数据处理并计算得到与所述待测人脸图像数据相关的矩阵化加密数据包括：

提取所述待测人脸图像数据中多个特征点；

根据欧式距离算法计算多个所述特征点之间的欧氏距离以得到第一特征向量；

将所述第一特征向量进行矩阵转换生成所述矩阵化加密数据。

4.如权利要求1所述的姿态估计方法，其特征在于，所述根据预设加密算法对所述待测人脸图像数据处理并计算得到与所述待测人脸图像数据相关的矩阵化加密数据包括：

提取所述待测人脸图像数据中多个特征点；

根据尺度不变特征变换算法计算出所述特征点的第二特征向量；

将所述第二特征向量进行矩阵转换成生成所述矩阵化加密数据。

5.如权利要求1所述的姿态估计方法，其特征在于，所述根据预设加密算法对所述待测人脸图像数据处理并计算得到与所述待测人脸图像数据相关的矩阵化加密数据包括：

通过深度卷积神经网络模型将所述待测人脸图像数据处理以生成多个第三特征向量；

将所述第三特征向量进行矩阵转换成生成所述矩阵化加密数据。

6.如权利要求1所述的姿态估计方法，其特征在于，所述姿态估计模型包括姿态估计算法，所述姿态估计算法包括卷积层、池化层、展平层和全连接层，所述根据训练好的姿态估计模型将所述矩阵化加密数据进行计算得到姿态估计结果包括：

通过所述卷积层和所述池化层对所述矩阵化加密数据进行处理得到特征图，每层所述卷积层卷积后进行ReLU激活操作；

通过所述展平层将所述特征图展平得到第四特征向量；

通过所述全连接层对所述第四特征向量进行两层全连接运算得到所述姿态估计结果。

7.如权利要求6所述的姿态估计方法，其特征在于，所述姿态估计方法还包括：

通过所述姿态估计算法将所述训练矩阵化加密数据计算得到训练姿态估计结果；

采用log-cosh损失函数对所述姿态估计算法得到的所述训练姿态估计结果进行损失值计算以优化所述姿态估计模型。

8.一种姿态估计装置，其特征在于，包括：

获取模块，用于获取待测人脸图像数据；

生成模块，根据预设加密算法对所述待测人脸图像数据处理生成与所述待测人脸图像数据相关的矩阵化加密数据；和

计算模块，用于根据训练好的姿态估计模型将所述矩阵化加密数据进行计算得到姿态估计结果，所述姿态估计模型由训练人脸图像数据处理得到的训练矩阵化加密数据训练生成。

9.一种姿态估计设备，其特征在于，包括处理器和存储器，所述存储器存储有至少一个程序，并且所述程序被所述处理器执行，所述程序包括用于执行根据权利要求1-7任意一项所述的姿态估计方法的指令。

10.一种计算机程序的非易失性计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-7中任一项所述的姿态估计方法。