一种基于事件相机的人体姿态识别的方法及设备技术

一种基于事件相机的人体姿态识别的方法，包括预处理阶段和部署应用阶段，其中，预处理阶段包括步骤：L1.数据模拟；L2.人体检测深度卷积网络训练；L3.姿态检测深度卷积网络训练；L4.再训练；L5.测试部署，以及部署应用阶段包括步骤：S1.开始；S2.事件相机的转换数据；S3.检测人体；S4.提取关键点；S5.连接关键点；S6.输出结果。本发明专利技术主要利用人工智能的方法对事件相机采集到的数据进行识别，解决了目前事件相机训练数据不足、事件相机数据转换处理、模型的训练和部署的这几个问题，形成一套有效的针对事件相机的数据进行人体姿态识别的方法。针对事件相机的数据进行人体姿态识别的方法。针对事件相机的数据进行人体姿态识别的方法。

【技术实现步骤摘要】
一种基于事件相机的人体姿态识别的方法及设备


[0001]本专利技术属于人工智能领域，特别涉及一种基于事件相机的人体姿态识别的方法及设备。

技术介绍

[0002]人体的姿态识别是一项重要的人工智能技术，主要利用计算机视觉技术对人体的关键点进行检测，然后拼接成人体的姿态。对于人体姿态来说，过去的人体姿态提取方案往往基于传统的摄像机。针对人体的姿态识别有着广泛的用途，例如人机交互、行为分析、智能运动训练等，都利用了人体姿态识别作为关键技术，传统的相机提取人体姿态存在许多问题和缺点。事件相机在运动信息获取上有很多传统相机没的优点如：宽动态、低时延、没有运动模糊等。然而，事件相机由于应用较少，没有类似于传统相机采集到的大规模数据集可以进行深度学习网络的训练。

技术实现思路

[0003]本专利技术方法的目的是提供一种基于事件相机的人体姿态识别的方法及设备，本专利技术主要利用人工智能的方法对事件相机采集到的数据进行识别，解决了目前事件相机训练数据不足、事件相机数据转换处理、模型的训练和部署的这几个问题，形成一套有效的针对事件相机的数据进行人体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件相机的人体姿态识别的方法，其特征在于，包括预处理阶段和部署应用阶段，其中，所述预处理阶段包括以下步骤：L1.数据模拟：对传统的相机数据进行模拟，传统的数据经过姿态检测算法进行检测标注后，输入到事件相机模拟转换器中进行数据模拟，然后得到模拟好的事件数据；L2.人体检测深度卷积网络训练：利用步骤L1中的所述模拟好的事件数据对所述人体检测深度卷积神经网络进行训练，训练过程主要是将损失函数最小化；L3.姿态检测深度卷积网络训练：利用步骤L1中的所述模拟好的事件数据对所述姿态检测深度卷积网络进行训练，训练过程主要是将损失函数最小化；L4.再训练：针对步骤L2和步骤L3的训练模型，再利用收集的真实的数据集进行再训练；L5.测试部署：分别对训练好的模型进行测试，测试通过后进行部署，以及所述部署应用阶段包括以下步骤：S1.开始：初始化事件相机使得事件相机可以正常采集数据；S2.事件相机的转换数据：将采集的真实的事件相机数据进行数据转换，转换为图像帧、点云、体素这三形式进行处理；S3.检测人体：将转换好的事件相机数据输入到训练好的人体检测深度卷积网络中进行人体识别；S4.提取关键点：将步骤S3中识别出来的人体图像输入到训练好的姿态检测深度卷积网络进行关键点识别，输出识别出来的关键点位置信息；S5.连接关键点：将步骤S4中的关键点按照人体的基本构造进行连接，人体的基本结构即人体生理结构，例如手腕连接手肘，手肘连接肩；S6.输出结果：将连接好的人体关键点输出即可以完整的描述人体的姿态。2.根据权利要求1所述的基于事件相机的人体姿态识别的方法，其特征在于，在步骤L1中，利用现有的人体姿态识别算法对视频中的人体姿态进行检测，将检测的结果作为标注的信息，然后通过模拟转换器将视频模拟转换为事件相机的数据格式，得到标注好的人体姿态事件数据，采用模拟转换器进行转换，得到所述模拟好的事件数据。3.根据权利要求1所述的基于事件相机的人体姿态识别的方法，其特征在于，在步骤L2中，所述损失函数主要计算所述人体检测深度卷积神经...

【专利技术属性】
技术研发人员：张世雄，魏文应，龙仕强，陈智敏，李楠楠，
申请(专利权)人：广东博华超高清创新中心有限公司，
类型：发明
国别省市：