1.基于先分类再回归的人头部姿态估计方法,其特征在于:包括如下步骤:步骤1,处理数据集,构建基于GhostNet的多分类神经网络;
步骤2,构建基于先分类再回归的神经网络;
步骤2.1,将带有人脸的RGB图片输入到特征提取网络,获得RGB图片的特征矩阵M1;
步骤2.2,将特征矩阵M1输入到特征增强网络,特征增强网络包含两个卷积层,输入到第一个卷积层后得到特征矩阵M11,输入到第二个卷积层后得到特征增强矩阵M2;
步骤2.3,将特征增强矩阵M2输入到注意力机制模块,得到yaw注意力增强特征矩阵My、pitch注意力增强特征矩阵Mp和roll注意力增强特征矩阵Mr;
步骤2.4,将yaw注意力增强特征矩阵My、pitch注意力增强特征矩阵Mp、roll注意力增强特征矩阵Mr输入到回归网络模块,得到yaw特征向量Mypf、pitch特征向量Mppf、roll特征向量Mrpf;
步骤2.5,通过yaw特征向量Mypf计算出yaw角度值,通过pitch特征向量Mppf计算出pitch角度值,通过roll特征向量Mrpf计算出roll角度值;
步骤3,训练基于先分类再回归的神经网络、基于GhostNet的分类神经网络,融合训练完成的两个网络模型;
步骤3.1,提取基于GhostNet的多分类神经网络模型中特征提取网络的参数,提取基于先分类再回归神经网络模型中特征提取网络的参数;
步骤3.2,将基于GhostNet的多分类神经网络模型中特征提取网络的参数乘以权重0.5,将基于先分类再回归神经网络模型中特征提取网络的参数乘以权重2;
步骤3.3,将步骤3.2中处理过的基于GhostNet多分类神经网络模型中特征提取网络的参数和基于先分类再回归神经网络模型中特征提取网络的参数逐个相加除以2.5,得到最终的基于先分类再回归的神经网络模型中的特征提取网络的参数;
步骤4,用步骤3得到的网络模型进行头部姿态估计。
2.根据权利要求1所述基于先分类再回归的人头部姿态估计方法,其特征在于:所述注意力机制模块包含三个注意力分支。
3.根据权利要求1所述基于先分类再回归的人头部姿态估计方法,其特征在于:所述回归网络模块包含三个回归分支,并且这三个分支分别串连在三个注意力分支后面。
4.根据权利要求1所述基于先分类再回归的人头部姿态估计方法,其特征在于:步骤2.5中,yaw特征向量Mypf、pitch特征向量Mppf、roll特征向量Mrpf的尺寸均为1×132,将每个特征向量的前66个元素均记为pi,后66个元素记为qi,将每个向量的pi和qi分别带入公式计算得到yaw角度值、pitch角度值和roll角度值,公式如下:其中,s代表子区间的个数,pi第i个分类的概率,μi代表第i个分类的数值,qi为修正项。