[发明专利]一种人体姿态估计方法

说明书

本发明提供一种人体姿态估计方法，首先，使用了基于卷积神经网络的目标检测算法检测出人体区域，然后根据人体的关节结构构造了全身关节点树形图，树形图将人体的全身姿态估计分解为多个局部姿态估计，分别对它们进行训练，提高了整体估计的准确性。在训练阶段，对于关节关系树中每一条边训练一个回归树模型。本发明使用卷积神经网络提取关节点周围区域的局部特征为空间特征向量。再根据关节关系树结构，最终我们训练了一个层级梯度提升的回归树模型。

技术领域

本发明涉及视觉中的人体姿态估计领域，更详细的说，尤其涉及一种基于梯度提升回归树算法的姿态估计方法。

背景技术

随着计算机科学学科的发展，计算机视觉也受到越来越多的重视。和一般的生物一样，计算机也拥有其特殊的视觉系统。这种特殊的视觉系统获取的是二维的静态的图像或动态的视频，一些高级的视觉系统除了二维信息还可以捕捉到深度信息等其他维度的视觉信息。近年来人体姿态估计作为计算机视觉领域的新的研究课题得到了世界各地研究者的关注。获取准确、有效的人体姿态是一件十分具有挑战性的工作。困难来源于很多的客观以及主观因素，比如：人体是较接性的物体，具有很多可以自由活动的部位；人体在运动时身体的某些部位可能出现自遮挡现象；现实中图像或者视频背景的变化，包括光线的强弱、可见度等，人的穿着、肤色、体型等复杂因素。

发明内容

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示为本发明一种人体姿态估计方法，其特征在于，至少包括以下步骤：

步骤S1：通过摄像单元采集视频；所述视频包含待采集人员的姿态信息；将所述采集的视频压缩，将所述视频每隔3-5帧保存为一图片。在本实施方式中，使用OpenCV计算机视觉库，将视频处理为大量的图片，可以每隔3-5帧保存一次，得到原始训练集。可以理解为在其它实施方式中，还可以采用其它的计算机视觉库对视频进行处理，只要能够满足能够将视频压缩并处理为图片即可。

在本实施方式中，步骤S2：需要对所述图片进行预处理；所述预处理对所述姿态信息的左上角坐标及右下角坐标进行标注并生成可扩展标记语言XML文件；所述XML文件作为训练集训练模型。在本实施方式中，采用LabelImg软件对图像中人体区域进行标注，可以理解为在其它的实施方式中，还可以采用其它的坐标标记软件对图像坐标进行标记，只要能够满足能够将需要训练的模型定位并标记即可。

作为一种优选的实施方式，步骤S3：通过人体区域检测算法检测所述图片人体区域位置；所述人体区域检测算法选用SSD目标检测网络，将所述图片和所述可扩展标记语言XML文件分为训练集及测试集；所述训练集：测试集＝3:1，生成lmdb文件。

作为一种优选的实施方式，步骤S4：设置学习率为0.1，批次为8，迭代次数为60000次，建立人体区域检测模型。可以理解为，在其他实施方式中，学习率、批次以及迭代次数的设置可以按照实际设置即需求进行选择。