[发明专利]一种基于人体树状网络和不同激活域值的姿态估计方法

说明书

本发明提供了人体姿态估计技术领域的一种基于人体树状网络和不同激活域值的姿态估计方法，包括如下步骤：步骤S10、搭建人体树状网络；步骤S20、分别设置各关节的激活域值，基于所述激活域值生成训练标签；生成各关节的偏移热图标签；利用所述训练标签以及偏移热图标签对人体树状网络进行训练；步骤S30、将人体图像输入训练后的所述人体树状网络，计算得到各关节之间的亲属度；基于所述亲属度计算得到所述人体图像中每个人的完整姿态。本发明的优点在于：极大的提升了人体姿态估计的精度。

技术领域

本发明涉及人体姿态估计技术领域，特别指一种基于人体树状网络和不同激活域值的姿态估计方法。

背景技术

人体姿态估计是进一步理解人体行为的关键步骤，通过一张RBG图像进行有效预测人体关节点，进而实现更高级别的计算机视觉任务如行为识别、异常检测及人体模型重构等具有重要的意义。尽管对于人体姿态估计的研究众多，但现有的多人姿态估计技术还远不够成熟，无论是自顶向下还是自底向上的方法，都存在远端关节估计精度过低的问题，这会导致姿态估计的整体精度下降，且图像存在光照、人体之间的部位相互遮挡等问题，导致人体姿态的不完整。

传统的姿态估计方法在计算关节位置时，都是同时生成所有的关节热图，忽略了灵活关节的预测难度，且对所有关节采用同一大小的激活域值，导致小关节预测困难。

在网络结构设计方面，X.Zhou等人在论文“Objects as Points”中提出了一种将人看作一个目标的方法，即找到每一个人体目标的中心点，再通过卷积神经网络回归的方式直接计算出所有关节的位置，该方法虽然加快了关节预测的计算速度，但人体远端关节的回归距离过长，导致精度下降，且没有上下文空间信息的流动，很容易受到关节遮挡的影响出现错误的位置预测。

对于RGB图像中多人姿态的估计，X.Zhu等人(International Conference onComputer Vision PoseTrack Workshop,2017)在论文“Multi-Person Pose Estimationfor PoseTrack with Enhanced Part Affinity Fields”中设计了一个冗余的部分亲和场，为避免关节在树形结构中的连接链断开，即导致关节被弃用，该方法通过增加关节之间的连接数，来提升关节间的信息流动，虽然提高容错率，但因为部分关节涉及多个连接，增加了计算复杂度和参数量。

申请号为CN202010203659.2的中国发明专利公开了一种多尺度大感受野卷积神经网络的构建方法，该方法构建了一个自学习采样的位置滤波器，设置一个正方形外轮廓,按田字均匀分割为四个采样单元,由每个采样单元的四个角共同确定九个一级采样点；再通过学习的方式再确定四个二级采样点，基于不同速率的自学习采样位置滤波器构建自适应级联空间金字塔池化模块；该方法能有效地扩大提取图片的局部感受野和纹理提取，但容易丢失一些细节纹理，降低了人体姿态估计的精度。

因此，如何提供一种基于人体树状网络和不同激活域值的姿态估计方法，实现提升人体姿态估计的精度，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于人体树状网络和不同激活域值的姿态估计方法，实现提升人体姿态估计的精度。

本发明是这样实现的：一种基于人体树状网络和不同激活域值的姿态估计方法，包括如下步骤：

步骤S10、搭建人体树状网络；

步骤S20、分别设置各关节的激活域值，基于所述激活域值生成训练标签；生成各关节的偏移热图标签；利用所述训练标签以及偏移热图标签对人体树状网络进行训练；

步骤S30、将人体图像输入训练后的所述人体树状网络，计算得到各关节之间的亲属度；基于所述亲属度计算得到所述人体图像中每个人的完整姿态。

进一步地，所述步骤S10中，所述人体树状网络包括：