[发明专利]一种人体姿态识别方法、装置、设备及存储介质

权利要求书

1.一种人体姿态识别方法，其特征在于，包括：

获取待识别图像；所述待识别图像中包含人体的成像信息；

对所述待识别图像进行人体检测，得到至少一个人体信息；

对所述待识别图像中的人体姿态关键点进行多尺度识别，得到多尺度关键点；

对所述多尺度关键点进行多尺度融合，得到目标关键点；

将所述目标关键点分配至每个人体信息中，得到人体姿态信息，完成人体姿态识别；所述人体姿态信息为所述每个人体信息的姿态所构成的集合。

2.根据权利要求1所述的方法，其特征在于，所述对所述待识别图像中的所述人体姿态关键点进行多尺度识别，得到多尺度关键点，包括：

对所述待识别图像进行多尺度特征提取，得到目标多尺度特征；

对所述目标多尺度特征进行所述人体姿态关键点识别，得到所述多尺度关键点。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述待识别图像中的人体姿态关键点进行多尺度识别，得到多尺度关键点，包括：

利用预设关键点识别模型，对所述待识别图像中的所述人体姿态关键点进行多尺度识别，得到所述多尺度关键点；

其中，所述预设关键点识别模型用于从至少两种尺度对所述待识别图像中的所述人体姿态关键点进行识别。

4.根据权利要求1或2所述的方法，其特征在于，所述对所述多尺度关键点进行多尺度融合，得到目标关键点，包括：

获取所述多尺度关键点的局部最大值，得到预测多尺度关键点；

基于所述多尺度关键点，对所述预测多尺度关键点进行线性组合处理，得到初始多尺度关键点；

对所述初始多尺度关键点进行多尺度融合处理，得到所述目标关键点。

5.根据权利要求4所述的方法，其特征在于，所述基于所述多尺度关键点，对所述预测多尺度关键点进行线性组合处理，得到初始多尺度关键点，包括：

从所述多尺度关键点上，获取预设数量的与所述预测多尺度关键点的距离最小的相邻关键点；

对所述预测多尺度关键点和所述相邻关键点进行线性组合，得到所述初始尺度关键点。

6.根据权利要求4所述的方法，其特征在于，所述初始多尺度关键点包括至少一个多尺度目标关键点，每个多尺度目标关键点由至少两种尺度下每种尺度对应的关键点构成的集合组成；所述对所述初始多尺度关键点进行多尺度融合处理，得到所述目标关键点，包括：

获取所述初始多尺度关键点中所述每个多尺度目标关键点的目标中心点；

计算所述每个多尺度目标关键点中每种尺度对应的关键点，到所述目标中心点的距离，得到目标距离；

将所述目标距离中小于预设距离阈值的关键点的均值，作为与所述每个多尺度目标关键点对应的子目标关键点，从而得到与所述初始多尺度关键点对应的所述目标关键点。

7.根据权利要求1或2所述的方法，其特征在于，所述将所述目标关键点分配至每个人体信息中，得到人体姿态信息，包括：

从所述目标关键点中，确定属于所述每个人体信息的个体关键点；

从所述个体关键点中，获取所述人体姿态关键点中每个关键点类型所对应的个体类型关键点；

从所述个体类型关键点中，获取目标个体类型关键点，得到与所述每个人体信息对应的个体姿态关键点；

根据所述个体姿态关键点，得到所述每个人体信息对应的个体姿态，从而得到所述至少一个人体信息对应的所述人体姿态信息。

8.根据权利要求3所述的方法，其特征在于，所述对所述待识别图像进行人体检测，得到至少一个人体信息之前，所述方法还包括：

获取目标样本图像；所述目标样本图像用于训练得到所述预设关键点识别模型；

搭建原始关键点识别模型；所述原始关键点识别模型为多尺度层次结构的模型；

利用所述目标样本图像，对所述原始关键点识别模型进行训练，得到所述预设关键点识别模型。