本發明提供了人體姿態估計技術領域的一種基于自適應感受野網絡和關節點損失權重的姿態估計方法，包括：步驟S10、基于自適應感受野單元搭建自適應感受野網絡；步驟S20、利用樣本圖像對所述自適應感受野網絡進行訓練；步驟S30、在訓練所述自適應感受野網絡時，計算得到所述樣本圖像包含的關節點以及各關節點的損失值；步驟S40、基于各關節點的所述損失值計算各關節點的損失權重；步驟S50、基于所述損失權重以及損失值計算得到最終損失值，基于所述最終損失值優化自適應感受野網絡；步驟S60、將待測圖像輸入訓練好的所述自適應感受野網絡，計算關節點的位置并形成完整的人體姿態。本發明的優點在于：極大的提升了人體姿態估計的精度和效率。

技術領域

本發明涉及人體姿態估計技術領域，特別指基于自適應感受野網絡和關節點損失權重的姿態估計方法。

背景技術

人體姿態估計是計算機視覺進一步理解人體行為的關鍵步驟，通過一張RGB圖像有效預測出人體所有關節點并形成正確的姿態，而準確預測出人體姿態對更高級別的計算機視覺任務，如人的行為識別、人機交互、行人重識別、異常行為檢測等有重要的意義。

盡管人體姿態估計的發展有一段時間了，但目前不論是自頂向下還是自底向上的方法，均存在關節點之間精度不平衡的問題，導致人體姿態估計整體精度不高。傳統的姿態估計方法在計算損失函數時，只是簡單的把各個關節點的損失相加，丟失了對關節點預測難度差異的考慮；傳統的姿態估計方法對于相似關節點直接的區分程度不夠，導致關節點預測錯誤，進而導致最后形成人體姿態時產生錯誤。

在網絡結構設計方面，Xiang?Li等人(2019IEEE?Conference?on?ComputerVision?and?Pattern?Recognition,2019,pp.510-519)在論文“Selective?kernelnetworks”中提出了一種動態選擇機制，允許每個神經元根據輸入信息的多個尺度自適應地調整其感受野大小，設計了一種稱為選擇核(SK)單元的結構塊，利用softmax?attention對不同核大小的多個分支進行融合，對這些分支的不同attention產生融合層神經元有效感受野的不同大小。但是對于人體姿態估計技術領域而言，背景信息顯著多于人體信息，而對不同大小的感受野進行融合，容易引入背景信息，導致關節點預測精度下降，甚至導致錯誤的預測。

在基于RGB圖像的姿態估計工作中，Bin?Xiao等人(18th?European?Conferenceon?Computer?Vision,2018,pp.466-481)在論文“Simple?Baselines?for?Human?PoseEstimation?and?Tracking”中提出一種基于ResNet的網絡來進行姿態估計，通過源碼發現該論文只是簡單把每個關節點的權重設置為1來檢測所有人體部位，同時網絡結構簡單丟失了空間信息與語義信息的流動，因此對于較難預測的關節點并不能充分利用空間信息來做整體的預測。

華中科技大學在其申請的專利“可自適應調節感受野大小的肺炎圖片檢定裝置與方法”(專利公開號：CN111488794A)中公開了一種基于空洞卷積的自適應感受野人群密度估計方法，包括空洞卷積模塊和分類模塊；分類模塊對切分后的圖像塊進行分類；空洞卷積模塊根據分類模塊輸出的圖像塊類別,自適應選擇對應感受野的空洞卷積子網絡，對切分后的圖像塊進行特征提取，得到人群密度圖。該方法對于網絡選取感受野需要多個步驟才能有效的選取感受野，這對姿態估計領域而言效率相對較低。

因此，如何提供一種基于自適應感受野網絡和關節點損失權重的姿態估計方法，實現提升人體姿態估計的精度和效率，成為一個亟待解決的問題。

發明內容

本發明要解決的技術問題，在于提供一種基于自適應感受野網絡和關節點損失權重的姿態估計方法，實現提升人體姿態估計的精度和效率。

本發明是這樣實現的：基于自適應感受野網絡和關節點損失權重的姿態估計方法，包括如下步驟：

步驟S10、基于自適應感受野單元搭建自適應感受野網絡；