[发明专利]多人三维姿态估计方法、装置及电子设备

权利要求书

1.一种多人三维姿态估计方法，其特征在于，包括：

获取相机拍摄的多人图像；

基于骨干网络对所述多人图像进行特征提取，得到特征图，其中，所述骨干网络为基于深度学习方法训练得到的模型；

基于二维姿态回归模型对所述特征图进行回归计算，得到二维姿态结果，其中，所述二维姿态回归模型为基于深度学习方法训练得到的模型；

基于所述二维姿态结果和深度回归模型对所述特征图进行回归计算，得到深度回归结果，其中，所述深度回归模型为基于深度学习方法训练得到的模型；

基于所述二维姿态结果和所述深度回归结果计算得到三维姿态估计结果。

2.根据权利要求1所述的方法，其特征在于，所述二维姿态结果包括：人体关键点、人体中心关键点坐标和人体关键点偏移映射集。

3.根据权利要求2所述的方法，其特征在于，所述基于二维姿态回归模型对所述特征图进行回归计算，包括：

基于所述特征图，根据以下公式分别对每个所述人体关键点对应的所述人体关键点偏移映射集中的每个人体关键点偏移映射进行计算：

O₁＝F₁(X₁),O₂＝F₂(X₂),...,O_n＝F_n(X_n)

其中，F_m是第m个人体关键点对应的第m个回归器，O_m是第m个人体关键点偏移映射，X_m是所述特征图分解得到的第m个人体关键点对应的第m个子特征图，1≤m≤n，n为所述人体关键点偏移映射集中偏移映射个数，其中，所述回归器为基于自适应卷积学习模型训练得到的模型。

4.根据权利要求1所述的方法，其特征在于，所述基于所述二维姿态结果和深度回归模型对所述特征图进行回归计算，得到深度回归结果，包括：

基于所述特征图通过所述深度回归模型输出根深度回归结果和相对深度回归结果；

基于所述特征图通过卷积计算得到二维姿态引导特征；

基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度回归结果；

将所述根关键点深度回归结果和所述相对深度回归结果合并得到所述深度回归结果。

5.根据权利要求2所述的方法，其特征在于，所述基于特征图通过卷积计算得到二维姿态引导特征，包括：

基于所述特征图通过卷积计算输出预定数量的分解特征图；

基于每一个所述分解特征图通过其对应的回归器输出所述人体关键点偏移映射集，其中，所述回归器为基于自适应卷积学习模型训练得到的模型；

基于所述人体关键点偏移映射集采用位置查询操作得到二维姿态引导特征。

6.根据权利要求2所述的方法，其特征在于，所述基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度回归结果，包括：

根据以下公式计算根关键点深度回归结果：

Z＝F_Z(cat{X,D(O₁'),D(O₂')...D(O_n-1')})

其中，F_Z是深度回归模型中的根关键点深度回归器，cat{}是通道维度上的连接操作，X是所述特征图，D(O_k')是第k个人体关键点上的位置查询操作，O_k'是所述人体关键点偏移映射集中的第k个偏移映射，1≤k≤n-1，n为所述人体关键点偏移映射集中偏移映射个数，其中，根关键点深度回归器为基于所述自适应卷积学习模型训练得到的模型。

7.根据权利要求6所述的方法，其特征在于，所述自适应卷积学习模型基于以下公式得到：

其中，y(q)是所述自适应卷积学习模型的输出结果，是所述人体关键点的偏移量，q是所述人体中心关键点坐标，W_i是所述自适应卷积学习模型中卷积核的权重，j是所述自适应卷积学习模型中卷积核的大小。