姿态自动定位与定量分析方法、系统、计算机设备及介质技术方案

本发明专利技术公开了一种姿态自动定位与定量分析方法、系统、计算机设备及介质，所述方法包括：获取单人模特表演姿态数据集；构建包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，所述特征提取网络分别与自动定位子网络、定量分析子网络连接；利用所述数据集训练深度神经网络框架；获取待分析单人模特图像；将待分析单人模特图像输入训练好的深度神经网络框架，实现对模特姿态的自动定位与定量分析。本发明专利技术构建了一个包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，表演者可以根据深度神经网络框架所输出的量化数据，学习和研究优秀模特作品中的姿态规律，从而还原出具有美感的高水平姿态。态。态。

【技术实现步骤摘要】
姿态自动定位与定量分析方法、系统、计算机设备及介质


[0001]本专利技术涉及一种姿态自动定位与定量分析方法、系统、计算机设备及介质，属于模特表演姿态估计


技术介绍

[0002]对于服装表演或广告表演的优秀模特来讲，高水平优秀模特的作品是表演者们学习和研究潮流、美学的重要材料，这些作品大多数是模特摆好的姿态图片，一般会采取姿态估计的方式对这些姿态图片进行分析，以便表演者学习。
[0003]姿态估计的目标是在给定的传感器输出数据中获取人体的姿态，在姿态跟踪、人体行为识别、人机交互、人体图像生成等问题上得到广泛应用。近年来，随着深度学习在图像分类、目标检测、语义分割等问题上展现出良好的性能，基于深度学习的人体姿态估计已成为计算机视觉领域的研究热点之一，许多基于深度学习的姿态估计方法被提出，并取得不错的效果。但是，普通的姿态估计方法只能得知该姿态某个部位的相对位置，只有位置信息并不能很好地诠释模特们表演的姿态。
[0004]目前此领域大多是使用深度学习或是图像机器处理的方法，仅对单人图像中人体姿态的骨骼点估计出相对位置。这类方法的缺点是对模特表演中复杂且细微变化的姿态鲁棒性较差；其次，仅仅骨骼点并不能覆盖模特表演时的形态与肌肉线条；再者，这些方法一般只能得知该姿态某个部位的相对位置，只有位置信息并不能很好地诠释模特们表演的姿态。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种姿态自动定位与定量分析方法、系统、计算机设备及存储介质，其构建了一个包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，表演者可以根据深度神经网络框架所输出的量化数据，学习和研究优秀模特作品中的姿态规律，从而还原出具有美感的高水平姿态。
[0006]本专利技术的第一个目的在于提供一种姿态自动定位与定量分析方法。
[0007]本专利技术的第二个目的在于提供一种姿态自动定位与定量分析系统。
[0008]本专利技术的第三个目的在于提供一种计算机设备。
[0009]本专利技术的第四个目的在于提供一种存储介质。
[0010]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0011]一种姿态自动定位与定量分析方法，所述方法包括：
[0012]获取单人模特表演姿态数据集；
[0013]构建包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，所述特征提取网络分别与自动定位子网络、定量分析子网络连接；
[0014]利用所述数据集训练深度神经网络框架；
[0015]获取待分析单人模特图像；
[0016]将待分析单人模特图像输入训练好的深度神经网络框架，实现对模特姿态的自动定位与定量分析。
[0017]进一步的，所述特征提取网络包括一个提前卷积模块和多个组合模块；
[0018]其中，前一个组合模块的输出与后一个组合模块的输入连接，第一个组合模块的输入与提前卷积模块的输出连接，最后一个组合模块分别与自动定位子网络、定量分析子网络连接。
[0019]进一步的，所述组合模块包括依次连接的残差模块、V模块和1
×
1卷积层。
[0020]进一步的，所述V模块，用于对输入V模块的特征矩阵进行多次下采样和多次上采样；
[0021]其中，下采样的次数与上采样的次数相同；
[0022]在每次下采样时，根据最大池化操作，对相应的特征矩阵进行下采样，使其分辨率缩小一半；
[0023]在每次上采样时，根据反卷积的方式，对相应的特征矩阵进行上采样，使其分辨率增大一半。
[0024]进一步的，在每次下采样之前，以及在最后一次下采样之后，通过第一残差处理，对相应的特征矩阵进行复制；
[0025]对复制后的特征矩阵进行第二残差处理，得到相应残差；
[0026]将残差加到后续上采样过程中相同分辨率的特征矩阵上。
[0027]进一步的，所述自动定位子网络，具体用于：
[0028]将输入自动定位子网络的特征矩阵复制成第一特征矩阵、第二特征矩阵和第三特征矩阵；
[0029]对第一特征矩阵和第二特征矩阵进行卷积处理，使它们的分辨率与通道数一致；
[0030]根据通道注意力机制和空间注意力机制，对卷积处理后的第一特征矩阵和第二特征矩阵进行处理，分别生成注意力向量和注意力地图；
[0031]将注意力向量、注意力地图和第三特征矩阵三者相加，并通过第三残差处理进行还原。
[0032]进一步的，所述单人模特表演姿态数据集包括多张标注后的单人模特静态姿态图像；
[0033]每张所述标注后的单人模特静态姿态图像标注了至少二十个动力点及其权重，所述至少二十个动力点分别位于下巴、右颈部、左颈部、右肩部、左肩部、右手肘、左手肘、右手掌、左手掌、右腰部、左腰部、腹部、右胯部、左胯部、右膝盖、左膝盖、右脚踝、左脚踝、右脚趾、左脚趾。
[0034]本专利技术的第二个目的可以通过采取如下技术方案达到：
[0035]一种姿态自动定位与定量分析系统，所述系统包括：
[0036]第一获取单元，用于获取单人模特表演姿态数据集；
[0037]构建单元，用于构建包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，所述特征提取网络分别与自动定位子网络、定量分析子网络连接；
[0038]训练单元，用于利用所述数据集训练深度神经网络框架；
[0039]第二获取单元，用于获取待分析单人模特图像；
[0040]自动定位与定量分析单元，用于将待分析单人模特图像输入训练好的深度神经网络框架，实现对模特姿态的自动定位与定量分析。
[0041]本专利技术的第三个目的可以通过采取如下技术方案达到：
[0042]一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述姿态自动定位与定量分析方法。
[0043]本专利技术的第四个目的可以通过采取如下技术方案达到：
[0044]一种存储介质，存储有程序，所述程序被处理器执行时，实现上述姿态自动定位与定量分析方法。
[0045]本专利技术相对于现有技术具有如下的有益效果：
[0046]1、本专利技术通过计算机的数字化手段，对优秀模特的表演作品进行分析，自动直观地表现出模特表演姿态作品所呈现的原理，为表演者提供量化数据的支持，从而帮助表演者进行日常训练；
[0047]2、本专利技术针对动力点，构建出可行且高可用度的单人模特表演姿态数据集，其中单人模特表演姿态数据集包括一万两千多张单人模特静态表演作品图片，并附有二十个动力点的位置与相关权重，可满足深度神经网络框架的训练要求；
[0048]3、本专利技术通过自动定位子网络，对模特姿态上的动力点进行自动定位，并且通过定量分析子网络，对模特姿态上的动力点赋予权重，从而在保持动力点的位置准确的基础之上，实现模特姿态的自动定量分析。
附图说明
[0049]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种姿态自动定位与定量分析方法，其特征在于，所述方法包括：获取单人模特表演姿态数据集；构建包括特征提取网络、自动定位子网络和定量分析子网络的深度神经网络框架，所述特征提取网络分别与自动定位子网络、定量分析子网络连接；利用所述数据集训练深度神经网络框架；获取待分析单人模特图像；将待分析单人模特图像输入训练好的深度神经网络框架，实现对模特姿态的自动定位与定量分析。2.根据权利要求1所述姿态自动定位与定量分析方法，其特征在于，所述特征提取网络包括一个提前卷积模块和多个组合模块；其中，前一个组合模块的输出与后一个组合模块的输入连接，第一个组合模块的输入与提前卷积模块的输出连接，最后一个组合模块分别与自动定位子网络、定量分析子网络连接。3.根据权利要求2所述姿态自动定位与定量分析方法，其特征在于，所述组合模块包括依次连接的残差模块、V模块和1
×
1卷积层。4.根据权利要求3所述姿态自动定位与定量分析方法，其特征在于，所述V模块,用于对输入V模块的特征矩阵进行多次下采样和多次上采样；其中，下采样的次数与上采样的次数相同；在每次下采样时，根据最大池化操作，对相应的特征矩阵进行下采样，使其分辨率缩小一半；在每次上采样时，根据反卷积的方式，对相应的特征矩阵进行上采样，使其分辨率增大一半。5.根据权利要求4所述姿态自动定位与定量分析方法，其特征在于，在每次下采样之前，以及在最后一次下采样之后，通过第一残差处理，对相应的特征矩阵进行复制；对复制后的特征矩阵进行第二残差处理，得到相应残差；将残差加到后续上采样过程中相同分辨率的特征矩阵上。6.根据权利要求1
‑
5任一项所述姿态自动定位与定量分析方法，其特征在于，所述自动定位子网络，具体用于：将输入自动定位子网络的特征矩阵...

【专利技术属性】
技术研发人员：高月芳，麦凯湛，郝丽，米平平，何唱，郑丽娜，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：