[发明专利]一种基于动态信息传输的人体姿态估计方法

权利要求书

1.一种基于动态信息传输的人体姿态估计方法，其特征是，包括如下步骤：

a、训练多任务学习网络；

b、采用训练好的多任务学习网络对图像中人体姿态进行估计；

步骤a中训练多任务学习网络具体包括如下步骤：

a1、对训练样本进行预处理；

a2、通过多任务学习网络共同学习关节点和人体骨骼的特征，并对特征进行分组；

a3、将分组后的特征送入动态信息迁移模块，利用骨骼特征来引导优化关节点的定位结果；

a4、比较预测结果与真值，计算损失函数，根据损失函数优化多任务学习网络中各参数；

步骤b中采用训练好的多任务学习网络对图像中人体姿态进行估计具体包括如下步骤：

b1、对测试样本进行预处理；

b2、通过训练好的多任务学习网络共同学习关节点和人体骨骼的特征，并对特征进行分组；

b3、将分组后的特征送入动态信息迁移模块，利用骨骼特征来引导优化关节点的定位结果。

2.根据权利要求1所述的基于动态信息传输的人体姿态估计方法，其特征是，步骤a2或步骤b2具体如下：

将输入图像送入HRNet主干网络提取特征；

构造两个分支，分别是关节点预测分支和骨骼预测分支；这两个分支分别通过两个解码模块提取通道数不同的关节点特征和骨骼特征；

对关节点特征和骨骼特征分别进行分组，使分组后的关节点特征和骨骼特征一一对应；分组后的特征的通道数是骨骼个数的2倍。

3.根据权利要求2所述的基于动态信息传输的人体姿态估计方法，其特征是，步骤a3或步骤b3具体如下：

将分组后的骨骼特征送入自适应参数生成器中生成动态参数θ^B，之后动态参数θ^B送入自适应卷积模块；动态参数θ^B视为从骨骼预测分支传递过来的引导信息；

使分组后的关节点特征通过1×1的卷积后，再经自适应卷积模块得到经过动态信息引导后的信息；

将自适应卷积模块输出的结果特征送入通道注意力模块中，通过通道注意力模块提取特征后得到残差信息，再与分组后的关节点特征经1×1卷积后的特征进行融合，融合后的特征送入空间注意力模块中，最终生成预测的关节点的热图。

4.根据权利要求3所述的基于动态信息传输的人体姿态估计方法，其特征是，步骤中，分组后的骨骼特征被送入自适应参数生成器中所执行的操作依次是：首先对分组后的骨骼特征进行一次3×3卷积操作，接着进行一次最大池化操作；再进行第二次3×3卷积操作以及第二次最大池化操作；最后进行第三次3×3卷积操作。

5.根据权利要求3所述的基于动态信息传输的人体姿态估计方法，其特征是，步骤中，对于通道注意力模块而言，给定输入特征f_in，输出f_out，其公式如下所示：

f_out＝(1+σ(K₁(Avg(K₃(f_in)))))⊙K₃(f_in)

其中，K₁(·)代表1×1的卷积，K₃(·)代表3×3的卷积，Avg(·)代表全局平均池化处理，σ(·)代表sigmoid激活函数，⊙表示像素级别的点乘。

6.根据权利要求3所述的基于动态信息传输的人体姿态估计方法，其特征是，步骤中，对于空间注意力模块而言，给定输入特征f_in，输出f_out，其公式如下所示：

f_out＝(1+σ(DW(K₁(K₃(f_in)))))⊙K₃(f_in)

其中，K₁(·)代表1×1的卷积，K₃(·)代表3×3的卷积，DW(·)表示1×1的深度卷积，σ(·)代表sigmoid激活函数，⊙表示像素级别的点乘。