申请/专利权人:西安电子科技大学
申请日:2024-02-27
公开(公告)日:2024-04-30
公开(公告)号:CN117953570A
主分类号:G06V40/16
分类号:G06V40/16;G06V10/42;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本发明公开了一种基于协同学习的头部姿态估计方法,主要解决现有技术估计精度较低,前向推理时间较长的问题。其实现方案为:获取人脸图像数据集,划分训练数据和测试数据;构建包括人脸关键点热力图模块、头部姿态初步预测模块和姿态角模块的头部姿态估计网络,在这些模块中共享人脸特征图,在人脸关键点和头部姿态角之间进行协同学习;将训练数据输入到对头部姿态估计网络采用反向传播法对其训练;将测试数据输入训练好的头部姿态估计网络得到头部姿态估计结果。本发明通过共享人脸特征图,缩短了在多人脸场景下头部姿态估计时间,可有效地提高估计效率,并通过协同学习提高了头部姿态角的估计精度,可用于疲劳驾驶检测、智慧课堂行为分析、人机交互。
主权项:1.一种基于协同学习的头部姿态估计方法,其特征在于,包括如下步骤:1从公开网站获取人脸图像数据集,并按预设比例将其划分为训练数据集和测试数据集,数据集中的每幅图像均包含人脸关键点和头部姿态角真值;2构建头部姿态估计网络:建立包括特征提取模块、区域生成模块、上采样模块和热图生成模块的特征提取子网络;建立包括人脸关键点热图模块和头部姿态初步预测模块的特征细化子网络;建立包括姿态角模块和人脸关键点模块的协同学习子网络;将特征提取子网络、特征细化子网络和协同学习子网络依次级联构成头部姿态估计网络;3对头部姿态估计网络进行训练:3a设置最大迭代次数N;3b将训练数据输入特征提取子网络,得到热图特征H;3c将热图特征H共享给特征细化子网络中的人脸关键点热图模块和头部姿态初步预测模块,分别得到第一人脸关键点K1和第一头部姿态角E1;3d用第一人脸关键点K1、第一头部姿态角E1组成多属性特征,输入到协同学习子网络,通过姿态角模块输出第二头部姿态角E2,通过人脸关键点模块输出第二人脸关键点K2;3e计算头部姿态估计网络的总前向传播损失L=L1+L2+L3,其中,L1、L2、L3分别为特征提取子网络、特征细化子网络和协同学习子网络的损失函数;3f使用随机梯度下降法,对总前向传播损失L进行反向传播,更新网络参数W;3g判断当迭代次数是否达到设定的最大迭代次数N:若达到,则停止更新网络参数W,获得训练好的头部姿态估计网络;若未达到,则返回步骤3b;4将测试数据输入训练好的头部姿态估计网络,计算第二头部姿态角E2,作为头部姿态估计结果。
全文数据:
权利要求:
百度查询: 西安电子科技大学 基于协同学习的头部姿态估计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。