随着人工智能技术的高速发展,将人工智能应用于头部姿态检测成为计算机视觉的热点,目前该技术也广泛应用在疲劳驾驶检测、虚拟现实、注意力监控等领域。传统的头部姿态检测算法存在模型大,计算量大,耗费资源多,准确度有待提高等问题。论文在对现有头部姿态检测算法进行分析的基础上,给出了一种嵌入注意力模型的卷积神经网络(Convolutional Neural Networks,CNN)头部姿态检测算法,并将该头部姿态检测算法应用到学生学习姿态检测中,实现了上位机采集处理,下位机实时声光报警。论文主要研究内容如下。1、针对头部姿态检测中模型大,平均误差大的问题,论文基于CNN给出一种可从单张图片中估计头部姿态的轻量级检测算法。该算法基于软分类回归网络,将头部姿态的“俯仰角,偏航角,翻滚角”三维检测分别采取多级分类方式,每一级分类会在上一级分类的基础上再分类,每级分类只需执行少量的分类任务和较少的神经元。2、论文采用五流异构结构(five stream),每条流具有不同的激活函数,从而同时采集多尺度异构信息。每条流在各个阶段提取出中间特征图,提取到的中间特征图送入特征融合模块进行信息聚合从而得到多特征的中间特征图,从而提升特征图的提取能力。3、论文给出了将注意力模型无缝嵌入到CNN网络中的方法。该注意力模型包含通道注意力结构和空间注意力结构,分别在中间特征图通道和空间两个维度上提升了特征图的特征表现力。4、论文最后将改进后的算法应用到学生学习姿态检测系统中。系统包括上位机和下位机两部分,上位机采集头部姿态并用改进的算法做相关处理,当上位机检测到头部姿态异常后,将异常信号传送给以STM32为主控芯片的下位机,下位机接收到异常信号后,及时进行声光报警提醒。论文首先采用软分类回归方法,改进了算法模型大小,改进后的模型仅有4.36M。然后通过给出的五流异构结构和嵌入注意力模型的方法,将头部姿态检测算法的准确度提高了 4%～5%。最后论文将改进后的头部姿态检测算法应用到学生学习姿态检测中,实现了上位机采集处理,下位机实时声光报警,验证了算法的可行性。