[发明专利]基于轻量级多分支网络的二维人体姿态估计方法及系统

权利要求书

1.一种基于轻量级多分支网络的二维人体姿态估计方法，其特征在于，包括以下步骤：

S1、输入带有关节点注释的行人姿态的图片集合作为数据集，对数据集进行预处理，并根据关节点注释生成以关节点为中心的真实标记热力图；

S2、基于预处理后的数据集，通过行人检测器用矩形框框选出图片中的行人，将矩形框区域内的图像记为图像M；

S3、将图像M输入到主干网络中，进行特征提取和信息编码；

S4、通过解码器对主干网络的不同编码阶段进行解码，形成具有多个解码分支的网络结构，即神经网络的后端网络，同时，在各解码分支的末端生成特征图；

S5、将各解码分支生成的特征图与真实标记热力图进行均方损失的求解，并将各解码分支的均方损失之和回传给主干网络重复编码解码过程，对神经网络进行迭代训练；

S6、经过多轮训练后，神经网络损失趋于稳定，迭代训练过程结束，得到训练好的神经网络模型；

S7、将包含行人的图像输入到训练好的神经网络模型中，训练好的神经网络模型输出该图像对应的关节点预测热力图，选取该热力图的最高概率值，将最高概率值对应的坐标作为关节点在图像中的坐标位置输出，并对人体姿态进行可视化处理；

其中，解码过程包括：

S51、调节所要解码特征图的空间信息，采用空间注意力通道调节特征图各像素的权重，通过1×1卷积和Sigmoid进行归一化处理，过滤空间层面的噪声信息干扰；

S52、对特征图进行上采样解码，使用深度转置卷积将特征图放大2倍，将深度转置卷积的每个通道与对应通道的输入特征图分别进行运算，提取特征图各个通道的解码特征信息；

S53、通过1×1逐点卷积整合各个通道提取到的解码特征信息，并缩减输出通道数，进一步压缩参数量；

S54、利用通道注意力对解码后输出的各通道的权重进行调整，从而完成整个解码过程。

2.根据权利要求1所述的一种基于轻量级多分支网络的二维人体姿态估计方法，其特征在于，所述预处理包括：对数据集中的原始图像进行随机翻转、随机旋转、随机缩放。

3.根据权利要求1所述的一种基于轻量级多分支网络的二维人体姿态估计方法，其特征在于，真实标记热力图的生成过程包括：以图像M的关节标记点为中心生成一个高斯分布的概率区域，该区域的中心概率值最大，最接近1，越远离区域中心，概率值越小，此二维高斯概率图即为真实标记热力图，关节标记点z_k＝(x_k,y_k)的真实标记热力图生成公式包括：

其中m_k(x,y)为标记点k在图像上一点产生的高斯置信值，代表该点为标记点的可能性，σ²表示高斯函数的空间方差值，x，y表示图像上任意一点的横纵坐标，x_k，y_k表示标记点k的横纵坐标。

4.根据权利要求1所述的一种基于轻量级多分支网络的二维人体姿态估计方法，其特征在于，所述主干网络上存在多个解码分支结构，解码分支结构分布在不同编码阶段。

5.根据权利要求1所述的一种基于轻量级多分支网络的二维人体姿态估计方法，其特征在于，对人体姿态进行可视化处理包括：以各关节预测坐标点为圆心，以2～5像素为半径在原图副本上画一个实心圆，作为关节点的标记；并按照从头至脚的顺序依次将预测点连接起来，形成肢体连线，得到具有关节点连线的人体姿态图片和关节点具体坐标。