[发明专利]一种实时轻量级2D人体姿态估计方法

权利要求书

1.一种实时轻量级2D人体姿态估计方法，其特征在于，包括以下步骤：

步骤1：对视频流提取出的视频帧图像进行预处理：以中心点为基准，将图像统一缩放裁剪；

步骤2：对步骤1得到的视频帧图像进行平滑处理，并抑制图像中的高斯噪声；

步骤3：将Senet通道注意力机制融入到目标检测算法中，对步骤2得到的图像进行目标检测；

步骤4：在原始的OpenPose模型网络中，用深度可分离卷积为核心的Mobilenet网络替换VGG19；

步骤5：通过改进的OpenPose模型提取人体骨骼关节点坐标；

步骤6：将步骤5获得的人体骨骼关节点坐标通过贝塞尔曲线得到关节运动轨迹，并使用轨迹相似性度量算法得到关节间的距离数组；

步骤7：利用线性变换分类器对步骤6获取的关节点坐标进行分类，判断人物的行为姿态。

2.根据权利要求1所述的实时轻量级2D人体姿态估计方法，其特征在于：所述的步骤1中将图像统一缩放裁剪为512×512mm大小。

3.根据权利要求1所述的实时轻量级2D人体姿态估计方法，其特征在于：所述的步骤2中使用高斯滤波器抑制图像中的高斯噪声。

4.根据权利要求1所述的实时轻量级2D人体姿态估计方法，其特征在于：所述的步骤3中将Senet通道注意力机制融入到Tiny_YOLOv3目标检测算法中，对步骤2得到的图像进行目标检测。

5.根据权利要求1所述的实时轻量级2D人体姿态估计方法，其特征在于：所述的步骤4中用深度可分离卷积为核心的Mobilenet网络替换OpenPose网络结构中的VGG19，同时采用residual结构的3个3×3的卷积替换一个7×7卷积。

6.根据权利要求5所述的实时轻量级2D人体姿态估计方法，其特征在于：采用深度可分离卷积的形式对每一个3×3卷积继续改进。

7.根据权利要求6所述的实时轻量级2D人体姿态估计方法，其特征在于：步骤4所述的深度可分离卷积由深度卷积和点卷积组成；

假设输入图像大小为D₁×D₁×M，卷积核大小为D_K×D_K×M，输出图像大小为D₀×D₀×N，则传统卷积的参数量为：

W_stand＝(D_K×D_K×M)×N (1)

其中，W_stand表示的传统卷积的参数量，D_K×D_K代表卷积核的长、宽，D₁×D₁和D₀×D₀分别代表输入图像和输出图像的长和宽，M和N代表图像的深度；

而深度卷积的卷积核尺寸大小为(D_K，D_K，1)，共有M个，点卷积的卷积核尺寸大小为(1，1，M)，共有N个，则深度卷积和点卷积的参数量为：

W_depthwise＝(D_K×D_K×1)×M (2)

W_pointwise＝(1×1×M)×N (3)

其中W_depthwise表示深度卷积的参数量，W_pointwise表示点卷积的参数量；

因此，深度可分离卷积参数量为：

W_D＝W_depthwise+W_pointwise

＝(D_K×D_K×1)×M+(1×1×M)×N (4)

其中，W_D表示的是深度可分离卷积参数量；

所以，深度可分离卷积参数量与传统卷积参数量的参数之比为：

其中η表示的是深度可分离卷积参数量与传统卷积参数量的参数之比，W_D表示的是深度可分离卷积参数量，W_stand表示的传统卷积的参数量，N代表输出图像的深度，代表卷积核大小的平方。