[发明专利]一种基于自底向上的多人姿态估计方法及系统

权利要求书

1.一种基于自底向上的多人姿态估计方法，其特征在于：包括：

步骤1、生成关节所属个体的热图标签；

步骤2、修改深度卷积神经网络的预测输出规模；

步骤3、采用训练后的深度卷积神经网络对待测图像计算，得到所有人体的中心位置、关节位置以及关节对应所属的人体中心编码，并计算得到多人的完整姿态；

所述步骤1进一步具体为：

步骤11、首先生成一张64×64大小的人体中心点热图标签，定义第i个人的第j个关节为人体中心，令C_j(p)为该人体中心点在热图的位置p产生的置信分数，且当距离大于指定阈值时，该位置置信分数设置为0，用C来表示人体中心点地面真值热图，同时记录下第i个人体中心点在热图位置p，置信分数不为0的坐标x和y，记为Cⁱp_xy，所述置信分数的计算公式如下：

其中，σ为人为设置的参数；

步骤12、采用所述置信分数的计算公式对所需预测的人体关节生成热图标签，定义J＝{J₁，J₂，......,J_j}_{j＝{1，2，...,k}}为生成的关节热图，k为预测的人体关节种类数，得到规模为k×64×64的关节热图，同时记录下第i个人体的第j个关节在热图位置p，置信分数不为0的坐标x和y，记为

步骤13、对第j个关节，生成一个规模为2×64×64的关节对应中心编码标签，第一个64×64大小的标签对应的是关节所属的人体中心在热图中x的坐标编码，第二个64×64大小的标签对应的是关节所属的人体中心在热图中y的坐标编码；

步骤14、对步骤13循环k次操作，得到k个规模为2×64×64的关节对应中心编码标签；

步骤15、对步骤12和步骤14的标签按对应关节类别进行整合，每种关节热图和该关节的所属编码合并到一起，形成一个3×64×64大小，最终所有关节得到一个规模为3*k×64×64的标签；

所述步骤3进一步包括：

步骤31、读取单张多人的RGB图像，重置图像大小至网络输入大小；

步骤32、将调整后的图片放入训练后的深度卷积神经网络中，获取到两个输出，包括人体中心热图和人体关节点信息；

步骤33、对获取到的人体关节信息，找到其中第j种关节的关节热图，采用非极大值抑制算法查找每个关节点最大像素值位置，选择具有最大峰值的像素位置作为关节点位置的中心，假定该关节中心位置在预测关节热图上为Gp_xy；

步骤34、对位置Gp_xy直接取后面两个通道同样位置的值，包括该关节所属人体中心在热图上x和y的坐标，将取到的x和y值乘上设定的热图大小，得到人体中心热图的位置，记为Qp_xy；

步骤35、在人体中心热图查看位置Qp_xy，如果存在该中心，且落在置信度高于设定值，说明该关节就所属于这个人体，完成该关节到人体的匹配；

步骤36、循环步骤33到步骤35，直到所有关节都完成对应中心的匹配，形成最终的人体骨架，完成多人姿态估计。

2.根据权利要求1所述的一种基于自底向上的多人姿态估计方法，其特征在于：所述步骤13中的坐标编码的获取方式如下：

将步骤12中获得的第i个人的第j个关节位置在标签中对应的位置，放入该关节所属人体中心热图位置Cⁱp_xy中的x的值，并对该值进行归一化，得到x的坐标编码为x/64；

将步骤12中获得的第i个人的第j个关节位置在标签中对应的位置，放入该关节所属人体中心热图位置Cⁱp_xy中的y的值，并对该值进行归一化，得到y的坐标编码为y/64。

3.根据权利要求1所述的一种基于自底向上的多人姿态估计方法，其特征在于：所述步骤2进一步包括：

步骤21、将所采用的深度卷积神经网络的输出部分调整为两个分支，一个分支预测人体中心热图，另一个分支预测人体关节点信息，人体关节点信息包含关节热图和关节所属中心编码，根据步骤11的标签，对第一个分支通过卷积输出的规模设置为64×64大小；

步骤22、根据步骤15的标签，对第二个分支通过卷积操作输出的规模设置为3*k×64×64大小。