【技术实现步骤摘要】
基于并联空洞卷积和身体结构约束的人体姿态检测方法
本专利技术属于计算机视觉和模式识别
,具体涉及到人体姿态检测,具体是一种基于并联空洞卷积和身体结构约束的人体姿态检测方法。本专利技术应用于复杂场景下精确定位人体各关节点来准确检测人体姿态。
技术介绍
人体姿态检测是目前计算机视觉中最重要的任务之一,它主要利用深度学习将输入图片映射成具有几何约束以及相互联系的多个骨骼点。实现对人体姿态更好的理解是计算机视觉中其他更高级的任务的基本前提,比如动作捕获、人机交互、动作识别等。这些年来,很多方法被提出来更好的实现人体姿态检测。早些时候,通过将局部检测器与构造约束相结合来实现,随着硬件和数据集的发展,卷积神经网络被应用于该领域,极大地提升了在人体姿态检测方面的性能。目前许多方法都是将图片送进网络,并且这些网络一般都包括高分辨率到低分辨率的网络子模块,最后再提高分辨率。比如,沙漏堆叠网络包括了若干个沙漏网络,每个沙漏网络通过重复的下采样降低分辨率,又重复的进行上采样增大分辨率。但是在上采样的过程中,会造成信息的损失,特别对于遮挡、背景和人体区分不大的情况下,会产生错误的骨骼点估计。
技术实现思路
本专利技术的目的在于针对已有技术的不足,提出一种能够适应复杂场景下的基于并联空洞卷积和身体结构约束的人体姿态检测方法。本专利技术解决其技术问题所采用的技术方案包括如下步骤:步骤(1)下载人体姿态数据集,获取训练数据集;步骤(2)根据目标检测算法对训练数据集中的每张图片提取人物个体, ...
【技术保护点】
1.基于并联空洞卷积和身体结构约束的人体姿态检测方法,其特征在于包括如下步骤:/n步骤(1)下载人体姿态数据集,获取训练数据集;/n步骤(2)根据目标检测算法对训练数据集中的每张图片提取人物个体,获取只包含人物个体的训练图像;/n步骤(3)根据人体姿态数据集中提供的骨骼点坐标,制作训练图像的骨骼点热图;/n步骤(4)采用构建关联集合的方法来构建身体结构约束损失模块,采用不同膨胀率的空洞卷积核来构建并联空洞卷积网络;/n步骤(5)采用Adam优化器训练带有身体结构约束损失模块的并联空洞卷积网络;/n步骤(6)用训练好的带有身体结构约束损失模块的并联空洞卷积网络对测试集进行骨骼点检测,确定骨骼点位置;/n步骤(7)连接骨骼点并输出,得到人体姿态。/n
【技术特征摘要】
1.基于并联空洞卷积和身体结构约束的人体姿态检测方法,其特征在于包括如下步骤:
步骤(1)下载人体姿态数据集,获取训练数据集;
步骤(2)根据目标检测算法对训练数据集中的每张图片提取人物个体,获取只包含人物个体的训练图像;
步骤(3)根据人体姿态数据集中提供的骨骼点坐标,制作训练图像的骨骼点热图;
步骤(4)采用构建关联集合的方法来构建身体结构约束损失模块,采用不同膨胀率的空洞卷积核来构建并联空洞卷积网络;
步骤(5)采用Adam优化器训练带有身体结构约束损失模块的并联空洞卷积网络;
步骤(6)用训练好的带有身体结构约束损失模块的并联空洞卷积网络对测试集进行骨骼点检测,确定骨骼点位置;
步骤(7)连接骨骼点并输出,得到人体姿态。
2.根据权利要求1所述的基于并联空洞卷积和身体结构约束的人体姿态检测方法,其特征在于步骤(2)所述的获取训练图像的过程如下:
2.1对于训练数据集的每一张图片,可能存在一个人物或多个人物,首先采用目标检测网络对图片中的个体进行检测,检测之后返回每一个个体的检测边界框;
2.2获得每个个体的检测边界框之后,对边界框进行预处理,使其达到网络输入规定的分辨率,然后结合骨骼点坐标文件,对每个个体的每个骨骼点进行标注,获取只包含人物个体的带有标注的训练图像。
3.根据权利要求1或2所述的基于并联空洞卷积和身体结构约束的人体姿态检测方法,其特征在于步骤(3)所述的制作训练图像的骨骼点热图的过程如下:
3.1当获取带有标注的训练图像后,对训练图像中每个骨骼点,以其坐标为中心,生成对应的高斯热图,对于训练图像中缺失的骨骼点生成空白图;
3.2每个骨骼点生成的高斯热图按指定顺序排列,即每个个体骨骼点的先后顺序要保持一致,所有的高斯热图的骨骼点的先后顺序都保持一致。
4.根据权利要求1或3所述的基于并联空洞卷积和身体结构约束的人体姿态检测方法,其特征在于步骤(4)具体实现过程如下:
4.1构建带有身体结构约束损失模块:
4.1.1将每个骨骼点通过身体结构约束构建集合,构建规则如下:
假设各个骨骼点对应的标号为(头部-0,颈部-1,右肩-2,右肘-3,右腕-4,胸部-5,骨盆-6,右臀-7,右膝-8,右踝-9,左肩-10,左肘-11,左腕-12,左臀-13,左膝-14,左踝-15),则集合S为{(0,1),(...
【专利技术属性】
技术研发人员:姜明,杨海杰,李鹏飞,张旻,汤景凡,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。