一种轻量化的人体姿态估计方法技术

本发明专利技术属于基于深度神经网络的计算机视觉领域，公开了一种轻量化的人体姿态估计方法。在本方法中，通过设计的轻量化方法实时对人体姿态进行识别。提出了一个近似单分支的轻量化全局建模网络LGM‑Pose。在这个网络中，设计全局特征提取模块，通过提出的无参数维度变换子模块和MLP Block，实现全局信息的轻量化提取。并设计了一个卷积特征融合模块通过混洗操作和分组卷积来融合多尺度信息，缓解单分支结构缺少多尺度联合而带来性能下降问题。在COCO数据集上的实验结果表明，相比当前人体姿态估计领域轻量化方法，本文提出的方法具有更少的参数，同时取得了更优良的性能。

【技术实现步骤摘要】

本专利技术涉及基于深度神经网络的计算机视觉领域，具体而言，是一种轻量化的人体姿态估计方法。

技术介绍

1、人体姿态估计目的在于从输入的图像中同时检测到每个人体的关键点，是很多计算机视觉任务的前置技术，例如人体动作/活动识别，虚拟动画建模，人体姿态跟踪及运动分析等。在实际应用中，这些任务经常需要部署在资源受限的设备上。因此，高性能的轻量化人体姿态估计模型研究已经成为该领域的一个热点问题。这些模型不仅需要保持高精度的姿态估计能力，同时还要减少计算资源的消耗，以适应资源受限终端环境的限制。

2、近年来，随着深度卷积神经网络的发展，人体姿态估计取得了重大进展。由于人体关键点较小且对位置极为敏感，人们提出了一些高分辨率的卷积网络来提高人类关键点检测的预测精度。当前，自上而下的多人姿态估计轻量化方法大多基于多分支并行网络架构。以高分辨率并行网络(hrnet)为代表的多分支结构，可以联合多尺度特征获取局部和全局信息，在自上而下人体姿态估计任务中取得了显著的性能。因此，受hrnet的启发，目前的许多轻量级的方法都采用了多分支架构，并在此基础上进行轻量化研究。但本文档来自技高网...

【技术保护点】

1.一种轻量化的人体姿态估计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的轻量化的人体姿态估计方法，其特征在于：所述初始特征提取模块采用常规3x3卷积以及对移动设备端友好MobileNetV2 Block进行下采样以及初始的特征提取；依次连接一个3x3卷积和4个MobileNetV2 Block。

3.根据权利要求2所述的轻量化的人体姿态估计方法，其特征在于：所述MobileNetV2Block对输入特征图先进行1x1卷积升维，再对升维的特征图进行深度可分离卷积，最后在将提取的局部特征的特征图降维，用于后续特征提取。

4.根据权利要求1所述...

【技术特征摘要】

1.一种轻量化的人体姿态估计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的轻量化的人体姿态估计方法，其特征在于：所述初始特征提取模块采用常规3x3卷积以及对移动设备端友好mobilenetv2 block进行下采样以及初始的特征提取；依次连接一个3x3卷积和4个mobilenetv2 block。

3.根据权利要求2所述的轻量化的人体姿态估计方法，其特征在于：所述mobilenetv2block对输入特征图先进行1x1卷积升维，再对升维的特征图进行深度可分离卷积，最后在将提取的局部特征的特征图降维，用于后续特征提取。

4.根据权利要求1所述的轻量化的人体姿态估计方法，其特征在于：所述全局特征提取模块先采用一个标准的3x3卷积对特征图局部信息进行编码，后接一个1x1卷积学习输入通道的线性组合将张量投影到高维空间；然后，将特征图输入到全局交互模块中进行全局建模；最后再将输入特征与进行全局建模后并经过1x1卷积降维后的特征进行卷积融合。

5.根据权利要求4所述的轻量化的人体姿态估计方法，其特征在于：所述全局交互模块将特征图rhxwxd将展开为n个不重叠的扁平面rpxnxd；

6.根据权利要求4所述的轻量化的人体姿态估计方...

【专利技术属性】
技术研发人员：郭标，郭方敏，罗笑南，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：