1.基于有序回归和软标签的三维点云头部姿态估计系统，其特征在于：包括：特征学习网络模块，用于对输入的由深度图像生成的头部点云数据进行分层特征提取；

预测网络模块，用于将特征学习网络模块得到的特征映射到头姿态角获得角度预测值，并将所述角度预测值和作为标签的头姿态角带入第一损失函数；

排序网络模块，用于将头姿态角进行维度划分形成若干子任务、将作为标签的头姿态角与所述子任务之间存在的关系生成软标签、将特征学习网络模块得到的特征进行值预测、将点云数据的值预测和所述软标签带入第二损失函数；

网络更新模块，用于将第一损失函数和第二损失函数按照一定比例进行结合形成总损失函数后，对所述特征学习网络模块、预测网络模块和排序网络模块的参数进行更新；

p r y

所述头姿态角包括俯仰角pitchθ、侧倾角rollθ和偏航角yawθ；

所述特征学习网络模块包括顺次连接的第一下采样层、第一PointNet层、第二下采样层、第二PointNet层、第三PointNet层；

所述的第一损失函数为：

式中， 分别表示对第i个点云数据的俯仰角、侧倾角、偏航角的预测值，N为点云数据的数量；i表示第i个头部点云数据；

所述将头姿态角进行维度划分形成若干子任务包括：将位姿变化空间按头姿态角的各个维度进行划分，形成等距区间，包括：其中，K为划分的总区间数，j表示第j个区间；

产生三个与相应序数秩相关的分类任务，即所述将作为标签的头姿态角与所述子任务之间存在的关系生成软标签包括：p

对于某一点云数据xi，具有标签 其中i表示第i个点云数据；其中θi 被编码为1×K维的向量 即生成的软标签，其中向量 的元素 定义如下：式中，φ(·,·)表示描述类之间相似性的度量损失函数；向量 和 采用相同的方式进行定义；

所述将所述软标签和点云数据的值预测带入第二损失函数包括：所述排序网络模块包含三个结构一致的分类网络，分别对应俯仰角、侧倾角和偏航角；

三个分类网络分别输出第i个点云数据的值预测所述的第二损失函数为：

式中，N为点云数据的数量；

所述总损失函数为：

L＝Lpred+λLrank

式中，Lpred为第一损失函数，Lrank为第二损失函数，λ为控制排序网络模块在网络训练期间的贡献参数。

2.基于有序回归和软标签的三维点云头部姿态估计方法，其特征在于：采用如权利要求1所述的系统；所述方法包括训练步骤和姿态估计步骤；所述训练步骤包括以下子步骤：将训练样本输入特征学习网络模块进行特征提取；

预测网络模块和排序网络模块均将接收特征学习网络模块的输入，并输出至网络更新模块；

网络更新模块对所述特征学习网络模块、预测网络模块和排序网络模块的参数进行更新；

所述姿态估计步骤包括以下子步骤：

将待姿态估计的点云数据输入至特征学习网络模块进行特征提取；

预测网络模块将特征学习网络模块得到的特征映射到头姿态角获得角度预测值并输出，得到姿态估计结果。

3.根据权利要求2所述的基于有序回归和软标签的三维点云头部姿态估计方法，其特征在于：所述网络更新模块对所述特征学习网络模块、预测网络模块和排序网络模块的参数进行更新包括：采用多种不同比例的第一损失函数和第二损失函数的总损失函数，对所述特征学习网络模块、预测网络模块和排序网络模块的参数进行更新；从而选择效果最好的比例进行姿态估计步骤；

和/或：

所述将头姿态角进行维度划分形成若干子任务包括：采用多种区间划分方式，将头姿态角进行维度划分形成若干子任务；从而选择效果最好的区间划分方式进行为姿态估计步骤。