跨阶段结构下的人体姿态估计
目的 基于图像的人体姿态估计是计算机视觉领域中一个非常重要的研究课题,并广泛应用于人机交互、监控以及图像检索等方面.但是,由于人体视觉外观的多样性、遮挡和混杂背景等因素的影响,导致人体姿态估计问题一直是计算机视觉领域的难点和热点.本文主要关注于初始特征对关节点定位的作用,提出一种跨阶段卷积姿态机(CSCPM).方法 首先,采用VGG(visual geometry group)网络获得初步的图像初始特征,该初始特征既是图像关节点定位的基础,同时,也由于受到自遮挡和混杂背景的干扰难以学习.其次,在初始特征的基础上,构建多层模型学习不同尺度下的结构特征,同时为了解决深度学习中的梯度消失问题,在后续的各层特征中都串联该初始特征.最后,设计了多尺度关节点定位的联合损失,用于学习深度网络参数.结果 本文实验在两大人体姿态数据集MPII (MPII human pose dataset)和LSP(leeds sport pose)上分别与近3年的人体姿态估计方法进行了定性与定量比较,在MPII数据集中,模型的总检测率为89.1%,相比于性能第2的模型高出了0.7%;在LSP数据集中,模型的总检测率为91.0%,相比于性能第2的模型高出了0.5%.结论 实验结果表明,初始特征学习能够有效判断关节点的自遮挡和混杂背景干扰情况,引入跨阶段结构的CSCPM姿态估计模型能够胜出现有人体姿态估计模型.
跨阶段结构、初始特征、置信度图、人体姿态估计、深度学习
24
TP391(计算技术、计算机技术)
国家自然科学基金项目61503111,61273237;安徽省自然科学基金项目1808085MF168
2019-11-12(万方平台首次上网日期,不代表论文的发表时间)
共11页
1692-1702