人体姿态点识别算法研究

发布时间：2021-03-06 07:25

　　人体姿态估计由于不同外观、性别、衣物、遮挡、背景和光照条件的不确定性和复杂性,往往会给姿态估计预测带来一定困难。如何有效处理不同条件影响,并在此基础上设计出有效的人体姿态估计方法,本文研究了基于深度学习的人体姿态估计的技术。首先,对于人体难检测部位,采用改善的多尺度特征和多尺寸卷积核,本文提出了一种基于特征金字塔的坐标变换网络。先网络对图片提取不同维度和不同分辨率的特征,解决环境干扰问题,再对遮挡严重的部位和其他难样例则增大网络局部区域的卷积核,并挖掘难样本并贡献网络损失,之后将姿态点定位转为高斯热点图定位的过程,预测的高斯热点图转为坐标,实现端到端训练的过程。实验结果表明,改善的特征有助于识别难检测部位,且网络计算量较少。其次,针对人体关键点之间非欧几里得的空间结构关系,本文提出了一种基于图卷积神经网络的人体姿态估计的方法,来提高人体姿态估计的精度。该方法输入的数据结构为时空图结构,由单人姿态点为节点,节点之间连接为边,组成单帧的图结构。该数据结构是对某个节点仿射变换后的时空图结构,输入图神经网络分类节点所在的区域,结合关键点偏差计算为坐标。实验结果表明,该网络具有改善检测性能的效果... 

【文章来源】：江西理工大学江西省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

在网络不同前端网络

第三章基于特征金字塔的坐标变换网络35图3.10在网络识别关键点流程图3.6.2目标函数预测模块1的损失函数采用均方误差（Mean-SquareError，MSE），作为前端网络的损失函数，如下公式：N2111=2kFNiiniSS(3.16)其中，N为行人样本数，kS为高斯热点图的标签值如果公式（3.15）无约束，导致网络输出亮点形状与标签值相比偏差较大的高斯热点图。前端网络用于粗取关键点热点图，可不考虑正则项。而后端网络主要检测较难关键点，如果仅通过转换坐标层得到的坐标贡献损失，网络可能会学出偏大偏小方差的热点图。后端网络损失用先验解决该问题，即对高斯热点图损失函数增加正则项，如下公式：CTL()+()BNkkzS(3.17)其中，正则项系数为1，CTL损失函数为CTL2()kkkkzzμ，坐标(x,y)经过均匀化处理后为向量[(2(1),(2(1)]kggggzxw)/wyh)/h，该网络的热点图损失函数为()kS，"softmax()kSS。

比较不同模型的结果


本文编号：3066676