【技术实现步骤摘要】
人体关节点检测模型训练方法及检测方法、存储介质终端
[0001]本专利技术涉及图像识别
,尤其涉及人体关节点检测模型训练方法及检测方法、存储介质和终端。
技术介绍
[0002]人体姿态识别中的关节点检测涉及到计算机视觉领域众多理论和方法,到目前为止,已经有大量研究人员提出了关于人体姿态识别的方法,产生了很多优秀的成果,但是大多都是针对二维光学图像的算法,而二维光学图像的检测识别很容易受到光照和阴影等外部环境的干扰,还有不同角度下会发生人体部位遮挡,以及人的体型、服装的多样化,导致人体姿态检测识别的准确率较低。
[0003]因此,如何有效克服由于光照等外部环境以及人体遮挡等导致的人体关节点检测识别的准确率较低的问题,是待研究的课题。
技术实现思路
[0004]本专利技术所要解决的技术问题是现有人体关节点检测方法容易受到光照、阴影等外部环境以及人身体部位或服饰等遮挡的影响,进而导致其人体关节点检测准确率较低。
[0005]为了解决上述技术问题,本专利技术提供了一种人体关节点检测模型训练方法,包括:
[0006]获取待训练数据集,所述待训练数据集包括多个训练数据,每个所述训练数据均包括人体深度图像数据以及与所述人体深度图像数据对应的观测人体二维关节点坐标和观测人体三维关节点坐标;
[0007]基于所述待训练数据集对预设结构训练模型进行训练,以获取人体关节点检测模型;
[0008]其中,所述预设结构训练模型结构包括相互连接的生成网络和鉴别网络;
[0009 ...
【技术保护点】
【技术特征摘要】
1.一种人体关节点检测模型训练方法,包括:获取待训练数据集,所述待训练数据集包括多个训练数据,每个所述训练数据均包括人体深度图像数据以及与所述人体深度图像数据对应的观测人体二维关节点坐标和观测人体三维关节点坐标;基于所述待训练数据集对预设结构训练模型进行训练,以获取人体关节点检测模型;其中,所述预设结构训练模型结构包括相互连接的生成网络和鉴别网络;所述生成网络包括依次连接的卷积模块、N个密集计算模块组、瓶颈模块和输出模块,所述卷积模块、N个密集计算模块组和瓶颈模块形成模块组,所述模块组中每两个相邻模块之间均通过过渡模块连接,以使得所述模块组中的每个模块均符合预设输入条件,每个所述密集计算模块组内均包括1
×
1瓶颈层,N≥4;所述预设输入条件为:所述模块组中当前模块之前的所有模块输出的特征图像均作为当前模块的输入。2.根据权利要求1所述的模型获取方法,其特征在于,基于所述待训练数据集对预设结构训练模型进行训练,以获取人体关节点检测模型步骤包括:对所述待训练数据集内的所有训练数据进行分组,以获取多组待训练数据组;将所述待训练数据集中的第M组待训练数据组作为待输入训练数据组;基于所述待输入训练数据组对待训练检测模型进行训练,以获取临时关节点检测模型,判断在生成当前所述临时关节点检测模型时获取的生成网络损失函数值是否小于预设阈值,若是则将当前所述临时关节点检测模型作为人体关节点检测模型,否则将当前所述临时关节点检测模型作为下一轮训练的待训练检测模型,且M加1,并重新将所述待训练数据集中的第M组待训练数据组作为待输入训练数据组,以进行下一轮训练;其中,M的初始值为1,且当M等于待训练数据组总组数时,设定M加1后为1,初始的待训练检测模型为预设结构训练模型。3.根据权利要求2所述的模型获取方法,其特征在于,基于所述待输入训练数据组对待训练检测模型进行训练,以获取临时关节点检测模型包括:所述待训练检测模型的生成网络分别基于所述待训练数据组中的人体深度图像数据获取对应的预测人体三维坐标点,所有所述预测三维坐标点形成预测三维坐标点集,并基于所述预测人体三维坐标点集与所述待训练数据组中的观测人体三维关节点坐标获取生成损失值;所述待训练检测模型的鉴别网络分别将所述预测三维坐标点集中的预测人体三维坐标点转换为预测人体二维坐标点,以获取预测二维坐标点集,并基于所述预测二维坐标点集获取鉴别损失值;基于所述生成损失值和鉴别损失值获取生成网络损失函数值,并基于所述生成网络损失函数值对所述待训练检测模型的生成网络进行梯度调整,以获取临时关节点检测模型中的生成网络。4.根据权利要求3所述的模型获取方法,其特征在于,所述生成网...
【专利技术属性】
技术研发人员:刘立庄,张嘉璐,韩振奇,仲越,
申请(专利权)人:中国科学院上海高等研究院,
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。