基于强化特征复现融合的人体姿态估计方法技术

本发明专利技术公开一种基于强化特征复现融合的人体姿态估计方法。选择DEKR作为本发明专利技术的主干网络。由于此网络部分特征信息应用不充分，浅层特征表达易丢失，在后续关键点预测时会缺乏信息连贯性，影响关键点准确度的提升。为了改进以上问题，本发明专利技术设计了基于强化特征复现融合的人体姿态估计方法。此方法可增强网络前后信息流通，扩大感受野逐步实现特征细化，使网络前后信息复现融合，因此可让网络更好地结合全局信息，从而提高模型预测关键点准确度。从而提高模型预测关键点准确度。从而提高模型预测关键点准确度。

【技术实现步骤摘要】
基于强化特征复现融合的人体姿态估计方法


[0001]本专利技术属于计算机视觉
，涉及人体姿态估计方法，尤其是指一种改进DEKR网络结构，强化特征复现融合的人体关键点检测方法。

技术介绍

[0002]人体姿态估计是计算机视觉中具有挑战性的研究领域之一，其目的是从给定的图像中确定每个人体关键点的空间位置，并将相邻关键点连接后输出结果图片。人体姿态估计是许多计算机视觉任务的前置解决方案，目前主要在行为识别、人机交互、视频影音和行人重识别方面得到了较为成熟的应用。
[0003]根据解决方法不同，可以分为自顶向下方法和自底向上方法。本专利技术选择自底向上的人体姿态估计方法。由于人体关节本身存在较高的相似性，且整体检测关键点时，人物尺度的不同增加了检测难度，关键点聚类到不同的人体实例上时也会出现匹配错误，所以目前模型的准确度还比较低。综上所述，自底向上的多人姿态估计方法研究中还有许多问题没有被很好地探讨和解决，所以自底向上的方法有很大的研究意义和价值。本专利技术着重于自底向上的人体姿态估计方法进行研究。
[0004]DEKR是目前自底本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于强化特征复现融合的人体姿态估计方法，其特征在于包括下列步骤：步骤1，数据准备与预处理，首先获取数据集COCO2017和Crowdpose，选取划分人体姿态估计所使用的训练集和验证集；由于Crowdpose的图片量较少，其训练集和验证集是一样的，每幅图像包括两个信息：1.人工标记的人物框；2.关键点类别和位置信息，这两种信息可以在训练及验证过程发挥作用；步骤2，构造Dense
‑
DEKR特征复现融合网络，使浅层特征能够在深层网络得以复用；网络通过密集连接的方式，将任意阶段的输出特征图与后续所有阶段的输出特征图进行特征融合复现，如图1所示，Dense
‑
DEKR特征复现融合网络使用稠密连接机制加深了DEKR浅层特征和深层特征的传递融合方式；主干网络DEKR的网络结构与HRNet相似，网络中使用并联结构的特征融合方法，网络包含四种不同分辨率的特征信息；纵向观察网络，可以分为四个阶段，分别为阶段一、二、三和四，每个阶段在横向上的图片分辨率都是相同的；从低分辨率上采样到高分辨率的过程中，空间全局信息损失较大，图像信息损失，因此，高效率运用网络中多种细节、局部、空间信息进行特征复现融合是至关重要的；选择第一行最大分辨率进行特征融合，是因为在每个阶段的不同分辨率特征融合后再进行深层、浅层特征信息融合，会极大限度的保留不同分辨率下的特征细节(高分辨率包含图像的空间小区域信息，对尺度小的对象识别更加准确；低分辨率更加容易捕捉大尺度人体全局信息)，相较于在同分辨率下进行特征融合，本发明可将浅层特征利用的更加充分，且不局限于单一分辨率；步骤3，调整网络连接后的通道数，由于密集连接方式是将特征通道进行拼接；网络中阶段二、三以及四处连接汇合的点必然会增加...

【专利技术属性】
技术研发人员：王宇，徐镜滢，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：