本发明专利技术公开了一种人体关键点识别方法、装置、智能终端及存储介质，其中，上述人体关键点识别方法包括：获取待检测人体图像；获取压缩高分辨率特征网络模型；基于上述压缩高分辨率特征网络模型对上述待检测人体图像进行检测，获取上述待检测人体图像中的人体关键点位置信息；输出上述人体关键点位置信息。本发明专利技术方案提供的人体关键点识别方法对现有的高分辨率特征网络模型进行压缩并基于压缩高分辨率特征网络模型检测获取人体关键点位置信息，相对于现有技术，有利于减少参数量、计算量，缩短预测时长，且有利于将该模型移植到移动端等嵌入式平台上进行使用。入式平台上进行使用。入式平台上进行使用。
【技术实现步骤摘要】
一种人体关键点识别方法、装置、智能终端及存储介质
[0001]本专利技术涉及深度神经网络
，尤其涉及的是一种人体关键点识别方法、装置、智能终端及存储介质。
技术介绍
[0002]随着计算机技术的发展，目前可以从包含人体的图像中检测出人体的关键点。人体关键点检测也称人体姿态估计，需要在给定的图片中定位人体的身体关键部位，例如头部、颈部、肩部、手部等。进一步的，随着人们需求的发展，目前人体关键点检测的任务不但要获取包含人体纹理信息的高层语义信息，同时还要收集检测目标与周围环境的关联度，从而达到较好的识别效果。
[0003]现有技术中，通常基于深度神经网络模型进行人体关键点检测，例如，基于高分辨率特征网络(HRNet，High
‑
Resolution Net)模型进行人体关键点检测。HRNet自提出后备受关注，在人体关键点检测任务上，可以利用其高分辨率特征解决人员遮挡、高难度动作识别等难题。现有技术的问题在于，以HRNet模型为代表的深度神经网络模型通常参数量大、计算量大，因此预测耗时长且不利于移植到移动端等嵌入式平台上进行使用。
[0004]因此，现有技术还有待改进和发展。
技术实现思路
[0005]本专利技术的主要目的在于提供一种人体关键点识别方法、装置、智能终端及存储介质，旨在解决现有技术中以HRNet模型为代表的深度神经网络模型参数量大、计算量大、预测耗时长且不利于移植到移动端等嵌入式平台上进行使用的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种人体关键点识别方法，其中，上述方法包括：
[0007]获取待检测人体图像；
[0008]获取压缩高分辨率特征网络模型；
[0009]基于上述压缩高分辨率特征网络模型对上述待检测人体图像进行检测，获取上述待检测人体图像中的人体关键点位置信息；
[0010]输出上述人体关键点位置信息。
[0011]可选的，上述获取压缩高分辨率特征网络模型，包括：
[0012]获取高分辨率特征网络模型；
[0013]对上述高分辨率特征网络模型的基础模块进行压缩；
[0014]对上述高分辨率特征网络模型的瓶颈模块进行压缩；
[0015]获取压缩后的上述高分辨率特征网络模型，并作为上述压缩高分辨率特征网络模型。
[0016]可选的，上述对上述高分辨率特征网络模型的基础模块进行压缩，包括：
[0017]将上述基础模块中的3
×
3卷积层分解为依次连接的1
×
1卷积层、3
×
3卷积层和1
×
1卷积层；
[0018]对分解获得的上述3
×
3卷积层进行卷积核内参数共享；
[0019]在相邻的两个上述基础模块间共享第一层上述1
×
1卷积层和上述3
×
3卷积层。
[0020]可选的，上述对上述高分辨率特征网络模型的基础模块进行压缩，还包括：
[0021]先对卷积核内参数共享的上述3
×
3卷积层的卷积核和卷积核内参数不共享的分组1
×
1卷积核相加，然后再进行卷积操作。
[0022]可选的，上述对上述高分辨率特征网络模型的基础模块进行压缩，还包括：
[0023]在上述高分辨率特征网络模型的偶数分支中，卷积时同组内各个通道互相连接；
[0024]在上述高分辨率特征网络模型的奇数分支中，卷积时同组内各个通道间不相连。
[0025]可选的，上述对上述高分辨率特征网络模型的瓶颈模块进行压缩，包括：
[0026]将上述瓶颈模块中的3
×
3卷积层分解为依次连接的1
×
1卷积层、3
×
3卷积层和1
×
1卷积层；
[0027]对分解获得的上述3
×
3卷积层进行卷积核内参数共享；
[0028]在相邻的两个上述瓶颈模块间共享第一层上述1
×
1卷积层和上述3
×
3卷积层。
[0029]本专利技术第二方面提供一种人体关键点识别装置，其中，上述装置包括：
[0030]图像获取模块，用于获取待检测人体图像；
[0031]网络模型获取模块，用于获取压缩高分辨率特征网络模型；
[0032]检测模块，用于基于上述压缩高分辨率特征网络模型对上述待检测人体图像进行检测，获取上述待检测人体图像中的人体关键点位置信息；
[0033]输出模块，用于输出上述人体关键点位置信息。
[0034]可选的，上述网络模型获取模块包括：
[0035]高分辨率特征网络模型获取单元，用于获取高分辨率特征网络模型；
[0036]基础模块压缩单元，用于对上述高分辨率特征网络模型的基础模块进行压缩；
[0037]瓶颈模块压缩单元，用于对上述高分辨率特征网络模型的瓶颈模块进行压缩；
[0038]网络模型获取单元，用于获取压缩后的上述高分辨率特征网络模型，并作为上述压缩高分辨率特征网络模型。
[0039]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的人体关键点识别程序，上述人体关键点识别程序被上述处理器执行时实现任意一项上述人体关键点识别方法的步骤。
[0040]本专利技术第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有人体关键点识别程序，上述人体关键点识别程序被处理器执行时实现任意一项上述人体关键点识别方法的步骤。
[0041]由上可见，本专利技术方案获取待检测人体图像；获取压缩高分辨率特征网络模型；基于上述压缩高分辨率特征网络模型对上述待检测人体图像进行检测，获取上述待检测人体图像中的人体关键点位置信息；输出上述人体关键点位置信息。本专利技术方案提供的人体关键点识别方法对现有的高分辨率特征网络模型进行压缩并基于压缩高分辨率特征网络模型检测获取人体关键点位置信息，相对于现有技术，有利于减少参数量、计算量，缩短预测时长，且有利于将该模型移植到移动端等嵌入式平台上进行使用。
附图说明
[0042]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0043]图1是本专利技术实施例提供的一种人体关键点识别方法的流程示意图；
[0044]图2是本专利技术实施例图1中步骤S200的具体流程示意图；
[0045]图3是本专利技术实施例提供的一种HRNet的网络整体框架示意图；
[0046]图4是本专利技术实施例图2中步骤S202的具体流程示意图；
[0047]图5是本专利技术实施例提供的一种压缩示意图；...
【技术保护点】
【技术特征摘要】
1.一种人体关键点识别方法，其特征在于，所述方法包括：获取待检测人体图像；获取压缩高分辨率特征网络模型；基于所述压缩高分辨率特征网络模型对所述待检测人体图像进行检测，获取所述待检测人体图像中的人体关键点位置信息；输出所述人体关键点位置信息。2.根据权利要求1所述的人体关键点识别方法，其特征在于，所述获取压缩高分辨率特征网络模型，包括：获取高分辨率特征网络模型；对所述高分辨率特征网络模型的基础模块进行压缩；对所述高分辨率特征网络模型的瓶颈模块进行压缩；获取压缩后的所述高分辨率特征网络模型，并作为所述压缩高分辨率特征网络模型。3.根据权利要求2所述的人体关键点识别方法，其特征在于，所述对所述高分辨率特征网络模型的基础模块进行压缩，包括：将所述基础模块中的3
×
3卷积层分解为依次连接的1
×
1卷积层、3
×
3卷积层和1
×
1卷积层；对分解获得的所述3
×
3卷积层进行卷积核内参数共享；在相邻的两个所述基础模块间共享第一层所述1
×
1卷积层和所述3
×
3卷积层。4.根据权利要求3所述的人体关键点识别方法，其特征在于，所述对所述高分辨率特征网络模型的基础模块进行压缩，还包括：先对卷积核内参数共享的所述3
×
3卷积层的卷积核和卷积核内参数不共享的分组1
×
1卷积核相加，然后再进行卷积操作。5.根据权利要求4所述的人体关键点识别方法，其特征在于，所述对所述高分辨率特征网络模型的基础模块进行压缩，还包括：在所述高分辨率特征网络模型的偶数分支中，卷积时同组内各个通道互相连接；在所述高分辨率特征网络模型的奇数分支中，卷积时同组内各个通道间不相连。6.根据权利要求2所述的人体关键点识别方法，其特征在于...
【专利技术属性】
技术研发人员：曹晟，言宏亮，伍广彬，卢瑶，钟浩，于波，张华，杨波，梁兴伟，杨卫国，
申请(专利权)人：深圳市格灵人工智能与机器人研究院有限公司哈尔滨工业大学深圳深圳哈工大科技创新产业发展有限公司，
类型：发明
国别省市：
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。