人体关键点检测方法、装置、网络设备及存储介质制造方法及图纸

本发明专利技术实施方式涉及计算机视觉技术领域，公开了一种人体关键点检测方法，应用于预训练的关键点检测模型，包括：提取目标人体图像的第一特征图；根据第一特征图进行若干层的反卷积，得到第二特征图，其中，在进行下一层的反卷积时，将分辨率与前一层反卷积得到的第三特征图相同的第一特征图和第三特征图组合后进行反卷积；根据第二特征图输出目标人体图像的各个人体关键点的热力图，并根据热力图确定目标人体图像的各个人体关键点。本发明专利技术实施方式还提供了一种人体关键点检测装置、网络设备及存储介质。本发明专利技术实施方式提供的人体关键点检测方法、装置、网络设备及存储介质，可以提高人体关键点的检测精度和人体姿态估计结果的准确性。

【技术实现步骤摘要】
人体关键点检测方法、装置、网络设备及存储介质
本专利技术涉及计算机视觉
，特别涉及一种人体关键点检测方法、装置、网络设备及存储介质。
技术介绍
人体姿态估计是计算机视觉领域中的一个重要研究方向，被广泛应用于人体活动分析、人机交互以及视频监视等方面。人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点(如肩、肘、腕、膝和踝等)来估计人体姿态。然而，专利技术人发现现有技术至少存在以下问题：目前人体关键点的检测方法精度不高，容易造成人体关键点的输出误差，影响人体姿态估计的结果。
技术实现思路
本专利技术实施方式的目的在于提供一种人体关键点检测方法、装置、网络设备及存储介质，使得人体关键点的检测精度和人体姿态估计结果的准确性提高。为解决上述技术问题，本专利技术的实施方式提供了一种人体关键点检测方法，应用于预训练的关键点检测模型，包括：利用关键点检测模型的第一子模块提取目标人体图像的第一特征图，第一特征图包括多组不同分辨率的特征图；利用关键点检测模型的第二子模块根据第一特征图进行若干层的反卷积，得到第二特征本文档来自技高网...

【技术保护点】
1.一种人体关键点检测方法，其特征在于，应用于预训练的关键点检测模型，所述人体关键点检测方法包括：/n利用所述关键点检测模型的第一子模块提取目标人体图像的第一特征图，所述第一特征图包括多组不同分辨率的特征图；/n利用所述关键点检测模型的第二子模块根据所述第一特征图进行若干层的反卷积，得到第二特征图，其中，在进行下一层的反卷积时，利用所述第二子模块将分辨率与前一层反卷积得到的第三特征图相同的所述第一特征图和所述第三特征图组合后进行反卷积；/n利用所述关键点检测模型的第三子模块根据所述第二特征图输出所述目标人体图像的各个人体关键点的热力图，并根据所述热力图确定所述目标人体图像的各个人体关键点。/n

【技术特征摘要】
1.一种人体关键点检测方法，其特征在于，应用于预训练的关键点检测模型，所述人体关键点检测方法包括：
利用所述关键点检测模型的第一子模块提取目标人体图像的第一特征图，所述第一特征图包括多组不同分辨率的特征图；
利用所述关键点检测模型的第二子模块根据所述第一特征图进行若干层的反卷积，得到第二特征图，其中，在进行下一层的反卷积时，利用所述第二子模块将分辨率与前一层反卷积得到的第三特征图相同的所述第一特征图和所述第三特征图组合后进行反卷积；
利用所述关键点检测模型的第三子模块根据所述第二特征图输出所述目标人体图像的各个人体关键点的热力图，并根据所述热力图确定所述目标人体图像的各个人体关键点。


2.根据权利要求1所述的人体关键点检测方法，其特征在于，所述利用所述关键点检测模型的第二子模块根据所述第一特征图进行若干层的反卷积，包括：
在进行每一层的反卷积时，利用所述第二子模块根据通道数将反卷积分为若干组。


3.根据权利要求1所述的人体关键点检测方法，其特征在于，所述利用所述关键点检测模型的第二子模块根据所述第一特征图进行若干层的反卷积，包括：
在进行第一层的反卷积时，利用所述第二子模块根据最小分辨率的所述第一特征图进行反卷积。


4.根据权利要求1所述的人体关键点检测方法，其特征在于，所述利用所述关键点检测模型的第三子模块根据所述第二特征图输出所述目标人体图像的各个人体关键点的热力图，包括：
利用所述第三子模块根据人体肢体空间关系对所述第二特征图进行分组卷积，根据分组卷积的结果输出所述目标人体图像的各个人体关键点的热力图。


5.根据权利要求4所述的人体关键点检测方法，其特征在于，所述利用所述第三子模块根据人体肢体空间关系对所述第二特征图进行分组卷积，具体为：
利用所述第三子模块根据预设的关键点分组对所述第二特征图进行分组卷积，所述关键点分组中的每一组的...

【专利技术属性】
技术研发人员：胥杰，马丹，乔曦雨，周凯文，杜欧杰，范亚平，周丹，雷林，
申请(专利权)人：咪咕文化科技有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：北京;11