【技术实现步骤摘要】
一种基于关节点难例挖掘的人体姿态估计方法
[0001]本专利技术涉及人体姿态估计领域,特别是指一种基于关节点难例挖掘的人体姿态估计方法。
技术介绍
[0002]二维人体姿态估计方法大致分为两类:自上而下的多人二维人体姿态估计,自下而上的多人二维人体姿态估计。自上而下的方法指首先利用目标检测算法将图像中每个人检测出来。然后对每个检测框进行单人二维人体姿态估计。最终得到多人二维人体姿态估计结果。自上而下的方法精度较高,但是其效果很依赖于检测器的性能,而且其运行时间与图片中人的个数成正比。而自下而上的人体姿态的方法虽然精度相比于自上而下的方法较低,但是其网络运行时间随着图片中人数的增多基本保持不变。但是,该方法存在网络结构以及对较灵活关节点提取精度较差的问题。
技术实现思路
[0003]本专利技术实施例提供了一种基于关节点难例挖掘的人体姿态估计方法,能够提升对较难预测以及较灵活的关节点预测的准确度。所述技术方案如下:
[0004]本专利技术实施例提供了一种基于关节点难例挖掘的人体姿态估计方法,包括:
[0005]获取人体姿态估计的公用数据集;
[0006]对CMU
‑
Pose网络进行改进,将CMU
‑
Pose网络中的骨干网络替换为引入注意力机制的ResNet网络,并引入关节点难例挖掘算法;其中,CMU
‑
Pose网络表示基于PAF的多人二维人体姿态估计网络;
[0007]利用公用数据集中的图像训练改进后的CMU
‑
【技术保护点】
【技术特征摘要】
1.一种基于关节点难例挖掘的人体姿态估计方法,其特征在于,包括:获取人体姿态估计的公用数据集;对CMU
‑
Pose网络进行改进,将CMU
‑
Pose网络中的骨干网络替换为引入注意力机制的ResNet网络,并引入关节点难例挖掘算法;其中,CMU
‑
Pose网络表示基于PAF的多人二维人体姿态估计网络;利用公用数据集中的图像训练改进后的CMU
‑
Pose网络;将待测图像输入训练好的改进后的CMU
‑
Pose网络得到人体姿态估计结果。2.根据权利要求1所述的基于关节点难例挖掘的人体姿态估计方法,其特征在于,所述公用数据集为COCO数据集。3.根据权利要求1所述的基于关节点难例挖掘的人体姿态估计方法,其特征在于,改进后的CMU
‑
Pose网络包括:引入注意力机制的F、stage 1和stage t;其中,F表示骨干网络,stage 1表示基础层,stage t表示优化层,t={2,3,4,5,6};所述引入注意力机制的骨干网络,用于获取关节点热力图与PAF图的底层特征;所述基础层的输入是骨干网络产生的底层特征,输出为关节点热力图与PAF图两个分支,用于实现对图像进行粗略的人体姿态估计;每个优化层的输入是骨干网络产生的底层特征和前一层结构输出的关节点热力图与PAF图两个分支,输出为关节点热力图与PAF图,用于结合底层特征与前层粗略的人体姿态估计结果进行精确的人体姿态估计。4.根据权利要求1所述的基于关节点难例挖掘的人体姿态估计方法,其特征在于,在ResNet网络中,输入图像在经过一系列卷积操作后得到特征图U,对于特征图U,引入通道上的注意力机制,其提取过程为:其中,z
c
为位于c通道上的特征,F
sq
()表示提取过程,u
c
为特征图U通道c的输入...
【专利技术属性】
技术研发人员:曾慧,王雷,王臣良,
申请(专利权)人:北京科技大学顺德研究生院,
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。