[发明专利]基于深度学习的人体解析方法和装置

权利要求书

1.一种基于深度学习的人体解析方法，其特征在于，包括以下步骤：

获取人体RGB目标图像；

搭建卷积神经网络，并通过所述卷积神经网络获取所述人体RGB目标图像的深度特征，所述人体RGB目标图像的深度特征为高维特征；

通过姿态估计操作与人体分割操作对所述高维特征进行处理，获取相应结果和针对各任务的特征；

通过获取所述相应结果和针对各任务的特征经过精修操作，再次输出姿态估计结果与人体分割结果。

2.根据权利要求1所述的基于深度学习的人体解析方法，其特征在于，所述获取人体RGB目标图像包括：获取LIP数据集，其中，所述LIP数据集包括人体分割标签和姿态估计标签。

3.根据权利要求2所述的基于深度学习的人体解析方法，其特征在于，还包括：根据所述LIP数据集的所述人体分割标签的标注方式和所述姿态估计标签的标注方式，将ATR数据集中预设数量的图片通过labelme技术工具进行人体关节点信息的标注。

4.根据权利要求3所述的基于深度学习的人体解析方法，其特征在于，还包括：将所述人体关节点信息存放在csv表格中，其中，所述人体关节点信息的标注数量为16个人体关节点。

5.根据权利要求1所述的基于深度学习的人体解析方法，其特征在于，所述搭建卷积神经网络包括：对ResNet101进行修改操作完成搭建特征提取网络，所述特征提取网络由5部分组成，第一层是1个大小卷积核尺寸为7，步长为2的卷积层和一个步长为2的池化层，其余四层是根据不同数量循环BottleNeck结构，其中，所述BottleNeck结构由两支路构成，第一条支路为shortcut连接，第二条支路为三层卷积层，将所述第一条支路与所述第二条支路进行相加操作。

6.根据权利要求1所述的基于深度学习的人体解析方法，其特征在于，所述通过姿态估计操作与人体分割操作对所述高维特征进行处理，获取相应的结果和针对各任务的特征包括：

经过4个卷积核尺寸为3的卷积层，直至卷积层减少通道数量至256；

经过三组由卷积核与最近邻差值上采样共同组成的功能操作，获取尺寸和输入相同的人体分割结果与姿态估计结果，其中，所述姿态估计结果的结构与所述人体分割结果的结构相似。

7.根据权利要求1所述的基于深度学习的人体解析方法，其特征在于，还包括：对搭建卷积神经网络所形成的模型进行训练与推测操作；

所述对搭建卷积神经网络所形成的模型进行训练与推测操作包括：采用批随机梯度下降法训练并更新模型的参数；

选用Aadm梯度更新方式，对人体分割结果采用交叉熵损失函数求损失，以及对姿态估计结果采用均方误差的方式求损失，总体损失计算公式如下：

Loss_all＝Loss_e1+Loss_m1+Loss_e2+Loss_m2+…

其中，Loss_e1和Loss_m1代表模第一次输出人体分割结果和姿态估计结果损失；Loss_e2和Loss_m2代表第二次输出人体分割结果和姿态估计结果损失，其后代表多次循环输出人体分割结果和姿态估计结果损失。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。

10.一种基于深度学习的人体解析装置，其特征在于，所述装置包括：

图像获取模块，用于获取人体RGB目标图像；

高维特征获取模块，用于搭建卷积神经网络，并通过所述卷积神经网络获取所述人体RGB目标图像的深度特征，所述人体RGB目标图像的深度特征为高维特征；

解析模块，用于通过姿态估计操作与人体分割操作对所述高维特征进行处理，获取相应结果和针对各任务的特征；

精修模块，用于通过获取所述相应结果和针对各任务的特征经过精修操作，再次输出姿态估计结果与人体分割结果。