1.一种头部姿态估计方法,其特征在于,包括:获取待识别的二维人脸图像;
对所述二维人脸图像进行人脸校准,得到校准后的二维人脸图像;
获取所述校准后的二维人脸图像上的人脸特征点;
将所述人脸特征点输入回归网络,得到6D旋转矩阵,所述回归网络为基于6D旋转表示的回归模型;
根据正交映射将所述6D旋转矩阵转换为3×3旋转矩阵;
将所述3×3旋转矩阵转换为欧拉角,所述欧拉角用于表示头部姿态的旋转角。
2.根据权利要求1所述的头部姿态估计方法,其特征在于,对所述二维人脸图像进行人脸校准,得到校准后的人脸图像的步骤,包括:利用人脸检测算法MTCNN定位所述二维人脸图像的头部位置;
根据所述头部位置对所述二维人脸图像进行裁剪和/或扩充,得到人脸区域;
将每个所述人脸区域调整为相同尺寸的图像,得到校准后的人脸图像。
3.根据权利要求1所述的头部姿态估计方法,其特征在于,获取所述校准后的二维人脸图像上的人脸特征点的步骤,包括:将所述校准后的二维人脸图像通过输入卷积网络,以获得所述卷积网络输出的多维矩阵;
将所述多维矩阵转化为向量矩阵;
将所述向量矩阵压缩,并输入至全连接层;
全连接层输出136维度的向量特征,所述向量特征为人脸特征点,所述人脸特征点为二维坐标点。
4.根据权利要求1所述的头部姿态估计方法,其特征在于,将所述人脸特征点输入回归网络,得到6D旋转矩阵的步骤,包括:将人脸特征点序列输入至多层感知机MLP中,得到6D向量,所述6D向量为具有六个节点的特征向量;
在所述6D向量中截取得到所述6D旋转矩阵。
5.根据权利要求4所述的头部姿态估计方法,其特征在于,将人脸特征点序列输入至多层感知机MLP中,得到6D向量的步骤,包括:将人脸特征点序列依次输入至多层感知机MLP的输入层、多个全连接隐藏层、输出层,得到6D向量。
6.根据权利要求1所述的头部姿态估计方法,其特征在于,根据正交映射将所述6D旋转矩阵转换为3×3旋转矩阵的步骤,包括:利用格拉姆—施密特正交化对所述6D旋转矩阵第一列、第二列矩阵进行正交化处理,得到满足约束条件的正交矩阵。
7.根据权利要求6所述的头部姿态估计方法,其特征在于,得到满足约束条件的正交矩阵的步骤之后,还包括:将满足约束条件的所述正交矩阵映射为3×3旋转矩阵。
8.根据权利要求1所述的头部姿态估计方法,其特征在于,将所述3×3旋转矩阵转换为欧拉角的步骤,包括:将3×3旋转矩阵转换为欧拉角;
将所述欧拉角按照X、Y、Z轴旋转,得到所述3×3旋转矩阵。
9.根据权利要求1所述的头部姿态估计方法,其特征在于,获取待识别的二维人脸图像的步骤,包括:根据连续姿态数据集、离散姿态数据集以及提供偏航角度标签数据集获取待识别的二维人脸图像,所述连续姿态数据集采用BIWI数据集、所述离散姿态数据集采用PRIMA数据集,所述提供偏航角度标签数据集为DriveFace数据集。
10.一种头部姿态估计系统,其特征在于,包括:采集单元:所述采集单元用于获取待识别的二维人脸图像;
校准单元:所述校准单元用于对所述二维人脸图像进行人脸校准,得到校准后的二维人脸图像;
训练单元:所述训练单元用于获取所述校准后的二维人脸图像上的人脸特征点,将所述人脸特征点输入回归网络,得到6D旋转矩阵,根据正交映射将所述6D旋转矩阵转换为3×
3旋转矩阵,将所述3×3旋转矩阵转换为欧拉角。