CN114283448B 一种基于头部姿态估计的儿童坐姿提醒方法和系统 （浙江工业大学）

一种基于头部姿态估计的儿童坐姿提醒方本发明公开一种基于头部姿态估计的儿童摄像设备对儿童书写阅读场景下的头部欧拉角2S3：将头部图像输入头部姿态估计网络，得到欧拉角三个维度的概率分布序列S4：将概率分布序列输入一维卷积网络进行准确2r；所述概率分布序列分别记为p,y,reR",其中N∈{66,120,66}，Re[0,1],所述俯所述主干网络的核心结构由16个移动翻转瓶颈卷积块构成，该移动翻3所述每个分支又包含分类分支和回归分支，在分类分支中，每个S4.1：将头部姿态估计网络输出的概率分布序列输入一维卷积网络进行准确度评估，4.实现如权利要求1所述的一种基于头部姿态估计的儿童坐姿提醒方法的系统，其特所述图像输入模块从摄像设备获取原始图像并通过有效帧检测算法判断当前场景是2由多个基本网络块构成的轻量级网络，其基本网络块由1×1的普通卷积和3×3的depth-所述头部检测模块，通过使用训练好的目标检测模型检测得到原始图4r；所述姿态估计模块，通过将头部图像输入训练好的头部姿态估计网络，所述概率分布序列分别记为p,y,reR",其中N∈{66,120,66}，Re[0,],所述俯所述的姿态估计网络包括两个部分：用于特征提取的主干网络和用所述主干网络的核心结构由16个移动翻转瓶颈卷积块构成，该移动翻所述每个分支又包含分类分支和回归分支，在分类分支中，每个5所述坐姿提醒模块，首先将概率分布序列进一步输入一个一维卷积6[0001]本发明属于计算机视觉领域，主要涉及一种基于头部姿态估计的儿童坐姿提醒[0004]随着计算机视觉技术的成熟，目前已经有将视觉技术用于人类状态识别的相关提取驾驶员的3D人脸特征，使用2D和3D人眼关键点坐标并结合眼部空间关系计算3D坐标系建立3D头部模型的映射关系，这类基于几何变形模型的方法非常依赖于人脸关键点检[0005]目前学术上主流的头部姿态估计方法主要可以分为回归和分类两类。回归方法使用或拟合一个数学模型来直接预测基于标记训练数据的姿势。回归器可以是主成分分所公开的技术方案，一种基于多层级图像特征精炼学习的头部姿态估计方法及其实现系[0006]本发明要克服现有技术的上述缺点，提出了一种基于头部姿态估计的儿童坐姿7[0009]S2：使用目标检测算法对原始图像进行头部检测，并根据检测结果提取头部图[0010]S3：将头部图像输入头部姿态估计网络，得到欧拉角三个维度的概率分布序列p,y,reR和最终的估计角度俯仰角θp,偏航角θy,滚转角θr；P1[0026]所述主干网络的核心结构由16个移动翻转瓶颈卷积块构成，该移动翻转瓶颈卷与激发模块能够使模型更加关注重要的通道特征，最后再以18过连接失活和跳跃连接操作增加模型的泛化性个分支的输出是长度为66或120的序列；[0032]所述头部姿态估计网络通过训练得到，其评估，准确度指标衡量的是头部姿态估计网络输出的概率分布特征与最终估计角度的准[0047]所述图像输入模块从摄像设备获取原始图像并通过有效帧检测算法判断当前场[0048]所述头部检测模块，通过使用训练好的目标检测模型检测得到原始图像中头部9[0050]所述坐姿提醒模块，首先将概率分布序列进一步输入一个一维卷积网络用于评检测并记录其位置信息，根据位置信息从原始图像中获取头部图像并输入头部姿态估计根据头部姿态估计网络的估计角度对头部姿态进行判断并对[0056]2)有效帧检测算法能够避免对诸如无人场景、有人但离摄像设备距离过远的非[0057]3)准确度评估算法通过一个轻量的一维卷积网络来实现，从欧拉角三个维度的概率分布特征获得最终估计角度的准确性，能够有效防止实际应用场景中可能出现的误[0058]4)提出了一套完整的可用于移动终端的儿童坐姿提醒算法及系统，能够实时检[0066]S2：使用目标检测算法对原始图像进行头部检测，并根据检测结果提取头部图[0067]S3：将头部图像输入头部姿态估计网络，得到欧拉角三个维度的概率分布序列P1[0085]所述主干网络的核心结构由16个移动翻转瓶颈卷积块构成，该移动翻转瓶颈卷与激发模块能够使模型更加关注重要的通道特征，最后再以1个分支的输出是长度为66或120的序列；[0091]所述头部姿态估计网络通过训练得到，其[0102]所述步骤S4.3依据三个维度的估计角度按照预设的角度区间进行头部姿态判[0105]图像输入模块从摄像设备获取原始图像并通过有效帧检测算法判断当前场景是P1网络块由1×1的普通卷积和3×3的depth-wise卷积构成，并分别在网络块头部和尾部进[0111]头部检测模块，通过使用训练好的目标检测模型检测得到原始图像中头部的外[0119]所述概率分布序列分别记为p,y,reR"",[0121]所述主干网络的核心结构由16个移动翻转瓶颈卷积块构成，该移动翻转瓶颈卷与激发模块能够使模型更加关注重要的通道特征，最后再以1×1卷个分支的输出是长度为66或120的序列；[0127]所述头部姿态估计网络通过训练得到，其[0134]坐姿提醒模块，首先将概率分布序列进一步输入一个一维卷积网络用于评估头[0138]所述步骤S4.3依据三个维度的估计角度按照预设的角度区间进行头部姿态判[0140]本说明书实施例所述的内容仅仅是对发明构思的实现形式的