[发明专利]一种融合无参注意力机制的视线估计方法

说明书

本发明涉及视线估计方法的改进，具体是一种融合无参注意力机制的视线估计方法；包括如下步骤：步骤一、使用梯度方向直方图结合受限制局部模型的方法检测人脸及人脸特征点；步骤二、基于PnP法估计头部姿态，建立归一化坐标系，将人脸图像转换到归一化空间中；在人脸检测步骤中采用了基于方向梯度直方图结合基于受限制的局部模型的方法进行人脸和人脸特征点检测，达到了快速准确检测人脸和人脸特征点的目的，为头部姿态估计提供了准确的人脸特征点，同时节约了计算资源，保证了神经网络的运行速度；在检测到人脸图像后通过PnP算法估计用户头部姿态和建立归一化坐标系，并对数据集进行归一化处理，以便视线估计能够在归一化空间中执行。

技术领域

本发明涉及视线估计方法的改进，具体是一种融合无参注意力机制的视线估计方法。

背景技术

人的视线方向往往指示出一个人的正在看什么，对什么感兴趣，反映出行为人的注意力行为。视线估计是由计算机软件或硬件设备确定视线方向的过程。它被广泛应用于计算机视觉、模式识别、自动驾驶、虚拟现实、光学、神经认知科学及心理学、广告与市场营销等众多领域。

基于图像处理的视线估计方法主要分为基于模型的视线估计方法和基于外观的视线估计方法两种，近年来随着计算机硬件和深度学习技术的发展，基于外观的视线估计方法逐渐成为主流的视线估计方法。基于外观的视线估计方法，不需要特殊硬件设备和辅助光源，是基于平面图像和二维数据的方法。为了获取图像中隐藏的高维特征，需要使用复杂多变的图像训练神经网络模型，用于视线估计。由于人的全脸图片中包含很多与视线估计无关的冗余特征，会干扰视线估计的精度，因此为了得到更好的视线估计结果，必须减少冗余特征的权重，同时应增大对视线估计结果具有稳定贡献特征的权重。

现有的抑制无关区域的权重的方法，是通过使用通道注意力机制、空间注意力机制或二者结合的方式，这两种注意力机制在一定程度上会额外增加神经网络的参数量，降低网络的计算速度。此外，通道注意力机制和空间注意力机制二者结合的方式，是通过通道注意力机制得到的一维权重和空间注意力机制得到的二维权重推导出来的三维权重。相较于使用单一的注意力机制，二者结合的方式在一定程度上提高了网络的性能，但也并不是直接得到特征图真正的三维权重，导致视线估计网络的性能并未有很大的提升；同时带来的另一个问题是网络模型变得更为复杂、参数量更大、占用更多的计算资源，导致视线估计实时性差。此外在人脸检测上，现有方法多采用AdaBoost弱分类器级联结合的方法，存在级联的弱分类器的数目较难设定、训练耗时等问题。在人脸特征点检测中现有的主动形状模型或主动外观模型均存在当初始人脸形状距离真实人脸形状较远时，迭代次数会大幅增加，导致检测速度慢的问题。在头部姿态估计中主流的随机抽样一致算法，虽然计算出的姿态更加精确，但速度较慢，导致实时的视线估计无法实现。

发明内容

本发明的目的在于提供一种融合无参注意力机制的视线估计方法。

为实现上述目的，本发明提供如下技术方案：一种融合无参注意力机制的视线估计方法，包括如下步骤：

步骤一、使用梯度方向直方图结合受限制局部模型的方法检测人脸及人脸特征点；

通过相机采集人全脸的原始图片，采用基于梯度方向直方图结合受限制的局部模型的方法进行人脸和人脸特征点检测，同时为头部姿态估计提供准确的人脸特征点；

Step210、图像标准化：先采用Gamma校正法对输入图像的颜色空间进行标准化，Gamma校正公式为：

I'(x,y)＝I(x,y)^γ (1)

其中I(x,y)为原图像像素值，I'(x,y)为校正后的图像像素值，γ为Gamma校正系数；

Step220、边缘方向计算：计算图像像素点的梯度，像素点的梯度描述了在该点处像素值变化速度的快慢，计算公式为：