[发明专利]人脸位姿估计模型的训练方法、人脸位姿估计方法及装置

说明书

本公开涉及人工智能领域，提供了人脸位姿估计模型的训练方法、人脸位姿估计方法及装置。该方法包括：获取人脸图像并将其输入预先构建的初始人脸位姿估计模型中，得到人脸图像的偏航角损失值、俯仰角损失值和翻滚角损失值；基于偏航角损失值、俯仰角损失值和翻滚角损失值对初始人脸位姿估计模型进行迭代训练，直至得到预设的迭代终止条件，获得最终人脸位姿估计模型。本公开提供的初始人脸位姿估计模型的网络结构具有轻量化和较强的特征提取能力，模型的推理速度快且精度高，对算力的要求不高，可以部署在算力较小的边缘端使用。

技术领域

本公开涉及人工智能领域，尤其涉及人脸位姿估计模型的训练方法、人脸位姿估计方法及装置。

背景技术

人脸姿态估计是人脸识别系统、人机交互系统、门禁系统及其他应用场景中非常关键的一步，良好的人脸姿态估计将有助于提高人脸识别的精确度，提升系统的性能。

目前，传统的人脸位姿估计模型的计算量普遍较大，模型的推理速度较慢且精度仍较低，且对算力的要求较高，难以将模型部署在算力较小的边缘端使用。

发明内容

有鉴于此，本公开实施例提供了一种人脸位姿估计模型的训练方法、人脸位姿估计方法及装置，以解决现有的人脸位姿估计模型的计算量普遍较大，模型的推理速度较慢且精度仍较低，且对算力的要求较高，难以将模型部署在算力较小的边缘端使用的问题。

本公开实施例的第一方面，提供了一种人脸位姿估计模型的训练方法，包括：

获取人脸图像，并将人脸图像输入预先构建的初始人脸位姿估计模型中，得到人脸图像的偏航角损失值、俯仰角损失值和翻滚角损失值；

基于偏航角损失值、俯仰角损失值和翻滚角损失值对初始人脸位姿估计模型进行迭代训练，直至得到预设的迭代终止条件，获得最终人脸位姿估计模型；

其中，初始人脸位姿估计模型包括第一特征提取网络、第二特征提取网络、第三特征提取网络、特征融合网络和损失计算网络；第一特征提取网络包括第一深度可分离卷积层、第一批归一化层、第一激活函数层和第一平均池化层；第二特征提取网络包括第二深度可分离卷积层、第二批归一化层、第二激活函数层、第一注意力层和第二平均池化层；第三特征提取网络包括第三深度可分离卷积层、第三批归一化层、第三激活函数层、第二注意力层。

本公开实施例的第二方面，提供了一种人脸位姿估计方法，包括：

获取待识别人脸图像；

将待识别人脸图像输入最终人脸位姿估计模型，输出待识别人脸图像的偏航角度、俯仰角度和翻滚角度，其中，最终人脸位姿估计模型是由如第一方面的人脸位姿估计模型的训练方法训练得到的。

本公开实施例的第三方面，提供了一种人脸位姿估计模型的训练装置，包括：

获取模块，被配置为获取人脸图像，并将人脸图像输入预先构建的初始人脸位姿估计模型中，得到人脸图像的偏航角损失值、俯仰角损失值和翻滚角损失值；

训练模块，被配置为基于偏航角损失值、俯仰角损失值和翻滚角损失值对初始人脸位姿估计模型进行迭代训练，直至得到预设的迭代终止条件，获得最终人脸位姿估计模型；

其中，初始人脸位姿估计模型包括第一特征提取网络、第二特征提取网络、第三特征提取网络、特征融合网络和损失计算网络；第一特征提取网络包括第一深度可分离卷积层、第一批归一化层、第一激活函数层和第一平均池化层；第二特征提取网络包括第二深度可分离卷积层、第二批归一化层、第二激活函数层、第一注意力层和第二平均池化层；第三特征提取网络包括第三深度可分离卷积层、第三批归一化层、第三激活函数层、第二注意力层。

本公开实施例的第四方面，提供了一种人脸位姿估计装置，包括：

图像获取模块，被配置为获取待识别人脸图像；