【技术实现步骤摘要】
一种基于深度学习的多人人体姿态估计方法
[0001]本专利技术主要涉及计算机视觉领域，尤其涉及一种基于深度学习的人体姿态估计方法。
技术介绍
[0002]人体姿态估计的目标是检测出数据中的人体关键节点，例如头部、肩膀及膝盖等，利用关键点信息可以确定人在当前图像数据中的空间位置，由人体关键点组成的人体姿态是人行为特征重要的一种表征。但由于人体具有相当的柔性，因此会有各种姿态和形状，其外观受穿着，姿态，视角等影响非常大，另外还面临着遮挡、光照等因素的影响，除此之外，2D人体关键点和3D人体关键点在视觉上会有明显的差异，身体不同部位都会有视觉上缩短的效果，使得人体姿态估计成为计算机视觉领域中一个极具挑战性的课题。
[0003]人体姿态估计在动作识别、人机交互、运动员辅助训练、增强现实等很多领域都有应用。通过摄像头捕捉一段时间内的人体姿态信息，从而判断人体的动作。可以用于及时检测一些异常行为，例如摔倒、斗殴等行为。同时也可判断动作是否标准以及数量统计用于辅助运动员科学训练。
[0004]随着近年来神经网络与深度学习的...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的多人人体姿态估计方法，其特征在于，包括：将图像输入特征提取网络获得多人人体关键点热力图；解码关键点热力图获得多人人体所有关键点位置信息；对每个关键点进行聚类操作，将同一人的关键点划为一类；结合每个人的关键点位置信息得到图像中每个人的姿态。2.根据权利要求1所述的一种基于深度学习的多人人体姿态估计方法，其特征在于，所述将图像输入特征提取网络获得多人人体关键点热力图之前，还包括训练特征提取网络：通过训练尺度因子s，自适应调节高斯核标准差，生成带有尺度化的热力图用于训练过程中的监督信息，其中根据关键点位置信息和尺度因子生成热力图的公式如下：上式中i、j代表热力图中的横纵坐标,p代表第p个人，k代表第k个关键点，分别代表第p个人的第k个关键点的横纵坐标位置，σ0代表初始的高斯核标准差，s为尺度因子；对预测的尺度图增加一个正则化损失，如下式所示：上式中代表只保留高斯核覆盖的区域，总体的损失函数为热力图的L2损失加上尺度图的正则化损失，如下式所示：其中P为真值热力图，H为模型预测的热力图，μ为正则化损失的权重...
【专利技术属性】
技术研发人员：曾碧，江春灵，刘建圻，魏鹏飞，
申请(专利权)人：广东工业大学，
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。