[发明专利]一种人体结构化的方法

说明书

本发明提出一种人体结构化的方法。本发明属于人体结构化领域，尤其涉及使用图像分析技术实现人体结构化的方法。本发明使用分阶段训练卷积神经网络的方法，提取连续图像空间时间特征，来准确识别人关键点，生成关键节点的热力图，进而使用抑制算法筛选出有效的人体关键点，解决和优化复杂场景内人员较多、人员位置复杂场景下的人体结构化准确率。特别是，本发明通过引入连续帧的时空信息，在不显著增加计算量的基础上，有效的提高了人员快速移动和远景中的细小人体的人体识别率和关键节点结构化准确率。

技术领域

本发明属于人体结构化领域，尤其涉及使用图像分析技术实现人体结构化的方法。

背景技术

人体结构化，也叫人体姿态估计，是运动分析、行为分析等场景中的关键技术。人体结构化的任务就是基于图像重建人的关节和肢干。目前人体结构化的任务多采用单帧图像处理技术，此方法不能有效利用视频中的语义信息，并且在复杂场景内人员较多、人员重叠场景下的人体结构化准确率不够理想，特别是在人员快速移动场景，和远景中的细小人体厂家的识别率不高。

本发明的目的是快速有效的解决复杂运动场景中人员较多、人员移动状态复杂、人体分辨率不同等状态下的人体识别率和关键节点结构化准确率。

发明内容

本发明的目的在于解决复杂场景下人体结构化的不足，使用级连的卷积神经网络的方法，分别提取帧图像和帧差图像的特征，结合不同的输出分辨率，来准确定位不同大小的人体，进而计算并识别人体关键节点，解决和优化复杂场景内人员较多、人员重叠场景下的人体结构化准确率。特别是，本发明通过引入帧差的图像信息，通过较大卷积核的神经网络，提取场景中人体移动及人体关联的语义信息，进行人体关键节点的定位和有效识别，有效的提高了人员快速移动和远景中的细小人体的人体识别率和关键节点结构化准确率。

本发明采用以下技术方案实现：

本发明引入特征提取的算法，使用不同尺度的分类特征，对图像空间进行描述，以解决复杂场景多目标、多状态的特征提取问题。

本发明引入帧差图像的信息，提高定位的准确率。

本发明引入特征的重标定算法，使提取到的人体关键点信息更适应于人体本身的结构以及不同人之间的关联。

一种人体结构化的方法，包括：

1、分别提取图像数据和帧差数据的特征向量

接收视频流的前、后连续两帧的图像数据，使用残差神经网络对图像数据进行特征提取，针对不同分辨率人体图像提取得到三个不同尺度的特征，分别输出不同尺度的特征再融合，从而得到图像数据的特征向量。使用较大卷积核的普通卷积神经网络提取帧差图像的特征。采用神经网络的非局部结构重新标定合并的特征。

2、识别图像数据中的人体位置

使用矩形框定位人体位置，利用矩形框的重叠面积比对矩形框进行回归，得到精确的人体定位。

3、计算人体的关键节点热力图

将人体的每个关键节点表示为图像空间上的热力图，距离关键节点越近则热力图的值越高，提取步骤2中所得的人体框中的原始图像，用卷积神经网络进一步回归人体的热力图，从而得到结构化的人体关键节点信息。

4、匹配人体的关键节点

提取人体关键节点热力图上的极值，得到每个人体各部位的关节点，通过语义门的结构对生成的关键节点重标定。

附图说明

图1示出了本发明实施例提供的一种人体结构化的方法的流程示意图。