[发明专利]一种基于3D卷积神经网络的头部姿态估计方法

摘要

本发明公开了一种基于3D卷积神经网络的头部姿态估计方法，属于深度学习和模式识别领域。对一个人的同类头部姿态进行叠加处理构建输入层。对于头部转动角度只限于平面内，将所有的转动角度转换为平面坐标，头部姿态主要分为中、上、下、左、右、左上、右上、左下、右下9类，每种头部姿态有9个角度，表现在垂直水平坐标系中为9个坐标点。网络结构在C2层分为两路进行卷积、池化计算，在C4层合并进行卷积、池化计算，C5层再将网络分为两路进行卷积、池化、全连接计算，在F2层进行全连接合并，计算SoftMax，最后输出对应的头部姿态类别。

主权项

1.一种基于 3D 卷积神经网络的头部姿态估计方法，其特征在于该方法包括：步骤1：将头部姿态定义为9类；通过对同类2D图片叠加的方式对原始头部姿态图片进行预处理；步骤2：使用步骤1获得的训练样本训练3D卷积神经网络步骤2.1：输入立方体经过卷积计算，为C1卷积层；步骤2.2：对步骤2.1输出的特征图立方体，通过两路不同的卷积核做卷积计算，连续重复两次，为网络的C2、C3卷积层；步骤2.3：对步骤2.2输出的特征立方体图进行合并做卷积计算，再做平均池化计算，为网络的C4卷积层；步骤2.4：对步骤2.3输出的特征立方体图形，通过两路不同的卷积核做卷积计算，连续两次，并在C6卷积层卷积运算后进行最大池化运算，为网络的C5、C6卷积层；步骤2.5：对步骤2.4输出的特征图立方体，分为通过两路相同的全连接层，做全连接计算，为F1全连接层；步骤2.6：对步骤2.5两路相同全连接层输出结果合并，为F2全连接层；步骤2.7：对步骤2.6输出计算Softmax、loss，并根据loss反向修正网络参数；重复步骤2.1‑步骤2.7，直至loss收敛；步骤3：将测试图片根据步骤1中的数据预处理方式进行叠加处理，构建3D立方体结构；利用步骤2得到的3D卷积神经网络测试分类结果。