[发明专利]人脸姿态估计方法、装置、终端及存储介质

说明书

一种人脸姿态估计方法，包括：输入待估计的人脸姿态图像；根据第一分类模型对所述待估计的人脸姿态图像进行粗分类，以识别出所述待估计的人脸姿态图像是否为全侧脸人脸图像；当所述第一分类模型识别出所述待估计的人脸姿态图像为全侧脸人脸图像时，输出待估计的人脸姿态图像为全侧脸；当所述第一分类模型识别出所述待估计的人脸姿态图像不为全侧脸人脸图像时，根据第二分类模型对所述待估计的人脸姿态图像进行细分类；及输出待估计的人脸姿态图像的人脸姿态值。本发明还提供一种人脸姿态估计装置、终端及存储介质。本发明实现了由粗分到精细的人脸姿态估计，提高了人脸姿态估计的效率，获得了较佳的人脸姿态估计效果。

技术领域

本发明涉及图像识别技术领域，具体涉及一种人脸姿态估计方法、装置、终端及存储介质。

背景技术

目前，人脸姿态估计在人脸识别和人机交互等领域中有着重要作用。人脸姿态估计就是对二维图像中的人脸在三维空间中所处的姿态进行估计。人脸姿态变化会导致人脸信息丢失及差异，使得不同人的侧脸的相似度比同一个人的侧脸和正脸之间的相似度还要高。

目前RGB图像上的人脸姿态估计一般包括三种方法：基于分类的方法、基于人脸外观的方法及基于回归的方法。基于分类的方法是按人脸角度的一定间距划分成不同的类别进行分类。基于人脸外观的方法是将人脸图像投影到各个主成分分析姿态空间，最相近投影系数空间的姿态作为该图像的人脸姿态。基于回归的方法是事先定义人脸关键点的几何结构，通过关键点检测以及模型从三维(three-dimension，3D)到二维(two-dimension，2D)的映射关系直接回归出人脸姿态的三个角度值：俯仰角(Pitch)，偏航角(Yaw)，翻滚角(Roll)。

然而，基于分类的方法中，由于人脸结构上的差异，在大规模数据标注上，该方法一定程度上受限于不同角度的类别之间所具有的主观模糊界限，比如正脸与半侧脸，这将导致最终结果具有一定的误差。基于人脸外观的方法直接依赖于图像的整体像素信息，因此计算维度较高，且姿态空间不连续，需要大量的不同姿态的人脸图像样本。基于回归的方法则主要依赖于关键点与3D人脸模型，而目前仍无法检测出大角度上的关键点，因而具有一定的局限性，如果关键点预测错误，则最终与3D可形变人脸模型进行拟合估计出的姿态值将会有非常大的误差。

发明内容

鉴于以上内容，有必要提出一种人脸姿态估计方法、装置、终端及存储介质，针对大角度人脸，首先对人脸图像进行粗分类处理得到全侧脸图像及非全侧脸图像，对于非全侧脸图像则再经过训练好的深度网络模型直接回归出人脸不同姿态的角度值，有效的提高了人脸姿态估计的效率，提高了人脸姿态角度估计的精度，获得了较佳的人脸姿态估计效果。

本发明的第一方面提供一种人脸姿态估计方法，应用于终端中，所述方法包括：

输入待估计的人脸姿态图像；

根据第一分类模型对所述待估计的人脸姿态图像进行粗分类，以识别出所述待估计的人脸姿态图像是否为全侧脸人脸图像；

当所述第一分类模型识别出所述待估计的人脸姿态图像为全侧脸人脸图像时，输出待估计的人脸姿态图像为全侧脸；

当所述第一分类模型识别出所述待估计的人脸姿态图像不为全侧脸人脸图像时，根据第二分类模型对所述待估计的人脸姿态图像进行细分类；及

输出待估计的人脸姿态图像的人脸姿态值。

根据本发明的一个优选实施例，在所述输出待估计的人脸姿态图像为全侧脸之后，所述方法还包括：

对所述待估计的人脸姿态图像进行后处理，得到满足要求的人脸图像，所述后处理包括以下一种或多种的组合：对所述全侧脸人脸图像进行合成得到正面人脸图像、对所述全侧脸人脸图像进行搜索得到与所述全侧脸人脸图像相似度超过预设相似度阈值的人脸图像。

根据本发明的一个优选实施例，所述方法还包括：训练所述第二分类模型，包括：