[发明专利]一种基于ResNet的人体测量基准点识别方法

说明书

本发明提供了一种基于ResNet的人体测量基准点识别方法，本方法可以从人体正交图像中准确识别出测量基准点。本发明首先利用自主采集的人体正交图像标注测量基准点，然后对正面和侧面图像分别训练ResNet模型，利用该模型识别基准点的位置热图，最后从位置热图中返回基准点的准确坐标。通过实验证明，本发明提供的技术方案相比与传统检测基准点方法，能极大提高基准点检测的准确率，并且在面对不同体型的人体时具有更高的鲁棒性。

技术领域

本发明涉及一种人体测量基准点识别方法，特别涉及一种基于深度卷积神经网络ResNet的人体测量基准点识别方法。

背景技术

从2D人体图像中获取人体尺寸依赖与身体部位高度相关的测量基准点，基准点识别的准确率直接影响到测量尺寸的误差。因此，在复杂的人体图像中快速、准确的识别出测量基准点十分重要。

目前，人体测量基准点识别方法主要分为三个步骤：首先从人体图像中提取人体轮廓线；然后通过计算轮廓上的梯度变化，找出梯度变化最明显的点作为主要基准点，利用主要基准点将轮廓线分段，在每一段轮廓线上再次计算更细致的梯度变化，找出所有次要基准点；最后，筛选出与身体部位相关的基准点作为量体基准点。

现有的基准点识别方法存在以下缺点：检测到无用的基准点数量多且与身体部位相关性低，筛选过程复杂；轮廓提取算法会造成误差，加大了提取基准点的难度；在面对特殊体型的人体时，比如过胖或过瘦，人体轮廓线梯度变化不明显，从而无法提取到关键部位的基准点，即对不同的体型鲁棒性差。

深度卷积神经网络在关键点识别方面展现出了强大的优势，利用卷积神经网络可以从图像中提取深层次的特征，隐式的学习人体体型的空间结构及基准点在人体空间中的位置信息。准确识别基准点位置信息十分困难，主要原因是人体姿势和体型的形变空间大，不同的姿势和体型中包括了大量信息，需要较深的神经网络。其中，ResNet在传统神经网络中引入残差，防止卷积神经网络在特征传递的过程中丢失重要的信息，并有效的解决了深层网络中的退化问题，即非过拟合引起的准确率下降。但还没有人将这一方法应用到测量基准点的识别当中，因此，将ResNet神经网络和测量基准点识别相融合变得至关重要。

发明内容

为了解决特殊体型的人基准点识别不准确，本发明提出了一种基于ResNet的人体测量基准点识别方法，本发明利用ResNet可以快速学习到人体结构的差异和基准点在人体空间中的位置信息的特点，根据其算法原理设计基于ResNet的测量基准点识别的方法。

本发明所采用的技术方案如下：

一种基于ResNet的人体测量基准点识别方法，包括以下部分：

A、在训练图像中标出人体测量基准点并生成高斯热图；

B、训练识基准点所需的ResNet模型；

C、利用热图的置信度从模型检测出的基准点热图中返回基准点的精确坐标；

部分A中，所述的在训练图像中标出人体测量基准点并生成高斯热图是指：根据国家标准对基准点的相关规定，在正面和侧面人体图像分别标出所需的共28个测量基准点，然后使用高斯响应模版在基准点处生成半径为2个像素值大小的热图，因为使用热图的方式比使用坐标具有更高的识别准确率。

部分B中，所述的训练识别基准点所需的ResNet模型是指：识别不同的基准点需要不同的ResNet模型，根据在A中标识的基准点，分别对人体正面图像和侧面图像进行训练。

部分C中，所述的利用热图的置信度从检测出的基准点热图中返回基准点的精确坐标是指：模型输出的是基准点的位置热图，其中热图中置信度最大的像素的位置坐标就是基准点的准确位置。

附图说明

为了更清楚的说明本发明的技术方案，下面将对发明内容中所需要使用的附图作简要地介绍。