[发明专利]头部角度标注、预测模型训练、预测方法、设备和介质

说明书

本发明公开了头部角度标注、预测模型训练、预测方法、设备和介质，其中头部角度标注方法，包括：获取头部坐标系到摄像机坐标系的第一旋转矩阵；获取头部坐标系当前旋转的方向和角度；根据所述第一旋转矩阵、以及所述当前旋转的方向和角度计算头部坐标系到摄像机坐标系的第二旋转矩阵；若收到旋转结束指令，则根据所述第二旋转矩阵计算头部标注角度。头部角度标注不依赖于人脸关键点，对图像质量要求较低，不易受到脸型的干扰，计算得到的头部标注角度更精确；标注后的头部图像可以作为样本数据去训练头部角度预测模型，训练后的头部角度预测模型可以对头部图像中头部的偏转角度进行预测。

技术领域

本发明涉及图像识别领域，尤其涉及头部角度标注、预测模型训练、预测方法、设备和介质。

背景技术

目前，人脸识别算法虽然在各种领域进行实践应用，但人脸识别的准确率与人脸图像中人脸的质量关系很大，而人脸的角度是影响人脸角度的重要因素之一，甚至在一些应用场景中，人脸的质量只取决于人脸角度。所以，人脸角度的计算方法是图像处理领域一个重要方向。

随着深度学习技术在计算机视觉任务中的成功应用，人脸角度的计算也以深度学习方法为主。但是基于深度学习的方法需要带有真实标签的训练数据集，就人脸角度的深度学习方法来说，需要标注好人脸角度的人脸图像作为训练集。但是准确的人脸角度很难得到。

现在基于深度学习的方法的人脸角度算法的训练集都是以大概的角度作为人脸角度进行训练，所以预测得到的人脸角度的偏差很大，这就限制了此类算法的应用范围。

另一种思路是利用人脸的关键点信息，通过图像中人脸关键点位置拟合三维标准人脸模型的人脸关键点的三维位置，从而得到图像中人脸的角度。这种方法估计人脸角度存在两个问题：一个是人脸角度的估计受制于人脸关键点检测的精确程度，在分辨率过低或者较模糊的人脸图像中，这种人脸角度的估计方法从关键点检测步骤就会引入过多的误差；另一个问题是不同的人的脸型存在差异，而用三维标准人脸模型中的关键点三维位置进行拟合本身就会带来误差。以上两点使得利用人脸关键点进行人脸角度估计容易受到图像质量和图像中人脸的影响。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供头部角度标注方法，不依赖于人脸关键点，对图像质量要求较低，不易受到脸型的干扰，计算得到的头部标注角度更精确。

本发明的目的之二在于提供头部角度预测模型训练方法，训练后的头部角度预测模型可以对头部图像中头部的偏转角度进行更准确的预测。

本发明的目的之三在于提供头部角度预测方法，可以对头部图像中头部的偏转角度进行更准确的预测。

本发明的目的之四在于提供电子设备，头部角度标注不依赖于人脸关键点，对图像质量要求较低，不易受到脸型的干扰，计算得到的头部标注角度更精确；训练后的头部角度预测模型可以对头部图像中头部的偏转角度进行更准确的预测。

本发明的目的之五在于提供存储介质，存储有计算机程序，头部角度标注不依赖于人脸关键点，对图像质量要求较低，不易受到脸型的干扰，计算得到的头部标注角度更精确；训练后的头部角度预测模型可以对头部图像中头部的偏转角度进行更准确的预测。

本发明的目的之一采用以下技术方案实现：

头部角度标注方法，包括以下步骤：

获取头部坐标系到摄像机坐标系的第一旋转矩阵；

获取头部坐标系当前旋转的方向和角度；

根据所述第一旋转矩阵、以及所述当前旋转的方向和角度计算头部坐标系到摄像机坐标系的第二旋转矩阵；

若收到旋转结束指令，则根据所述第二旋转矩阵计算头部标注角度。

进一步地，若未收到所述旋转结束指令，则执行以下步骤直至收到所述旋转结束指令：