[发明专利]一种基于复杂场景下的人体关键点检测系统及方法

权利要求书

1.一种基于复杂场景下的人体关键点检测方法，其特征在于，该方法包含：

(S100)输入监控视频信息，进行预处理得到单帧静态图和多帧光流图；

(S200)对单帧静态图通过卷积操作提取特征以得到特征图，为解决复杂场景下干扰目标对人员目标检测的影响，采用人员目标检测算法，以对特征图的实际置信度与预设置信度进行判别，去除非人员目标，得到离散化人员目标包围盒；

(S300)对多帧光流图采用光流堆叠来形成二维矢量场；

(S400)提取所述的离散化人员目标包围盒中特征，得到特征图，获得部位的关键点和关联程度，利用预测器为人体每个部位生成部位置信图，通过部位置信图和二维矢量场实现人体关键点的精准检测；

在所述的步骤S400中，在第一阶段，扩大离散化人员目标包围盒，以原始图像作为输入，采用卷积操作提取特征后，从原始图像通过分类器预测每个部位的置信值，产生对应的置信图，且将前一阶段获得的置信图与提取的特征作为下一阶段的输入，在若干阶段之间不断迭代，以获得精确的部位置信图；

在所述的步骤S200中，所述的人员目标检测算法包括：

(S210)对不同尺寸的单帧静态图产生一组固定大小的默认边界框集合，对该组默认边界框内的区域进行特征提取；

(S211)对人员目标的形体表征，提取主要特征，以形成不同层次的特征图单元，作为图像数据集，将每个层次的特征图单元以卷积的方式平铺特征映射，使得每个默认边界框与相对应的特征图单元的位置固定；

(S212)在所述的每个特征图单元上使用小卷积核卷积滤波器预测每个默认边界框中物体的实际边界框，该实际边界框作为目标包围盒，并计算出实际置信度，将实际置信度与预设置信度进行判别，以去除无效的包围盒，以修正目标包围盒位置；

(S213)输出在不同层次上的离散化目标包围盒，其具有不同的长宽比尺度。

2.根据权利要求1所述的基于复杂场景下的人体关键点检测方法，其特征在于，在所述的步骤S212中，在进行置信度判别过程中，需要计算出每个默认边界框与相对应的实际边界框的误差和相应的评分，以预测默认边界框区域内的所有目标的类别和置信度；

设定所述的预设置信度的阈值；当所述的实际置信度大于该阈值时，进行模型损失计算；当所述的实际置信度小于该阈值时，进行SVM后验判别；当判别为人员目标时，则微调目标包围盒；当判别为非人员目标时，剔除无效的包围盒。

3.根据权利要求2所述的基于复杂场景下的人体关键点检测方法，其特征在于，所述的模型损失计算通过损失函数完成，损失函数为：

式(1)中，L(e)是损失误差，y是期望输出，α为实际输出；

对y的分布进行矩估计，用α来表示y的交叉熵为：

式(2)中，α_i是第i个默认边界框的实际输出，y_i是第i个默认边界框的期望输出；

n个默认边界框的平均交叉熵为：

式(3)中，y_i,n表示当相匹配的默认边界框的数量为n时，第i个默认边界框的期望输出；α_i,n表示当相匹配的默认边界框的数量为n时，第i个默认边界框的实际输出。

4.根据权利要求3所述的基于复杂场景下的人体关键点检测方法，其特征在于，在所述的步骤S212中，当存在混淆目标时，对人员目标和混淆目标进行SVM后验判别，将大量人工标注的图像数据集送入SVM预先训练好人员目标和混淆目标的分类器中，在置信度判别后进行本地SVM二分类再判别，将识别出的混淆目标作为负样本去除，人员目标作为正样本，在正样本人员类别的置信度基础上，进行评分确定是否为真实的人员目标。