本申请涉及一种人体姿态检测方法，其中，该人体姿态检测方法包括：第一目标检测模型训练完成后，获取该第一目标检测模型的网络参数提供给第二目标检测模型；基于人体姿态数据集和该第一目标检测模型的网络参数训练该第二目标检测模型包括：通过该第二目标检测模型的神经网络，在该人体姿态数据集中提取得到特征图，通过本申请，解决了现有技术中因为简化检测头导致人体姿态检测效果降低的问题；相比较与现有buttonup和topdown人体姿态检测算法提高了检测速度，进一步的，与现有单阶段检测算法相比，本方案在简化算法复杂度的前提下，人体关键点检测效果可以与其接近或者提高。体关键点检测效果可以与其接近或者提高。体关键点检测效果可以与其接近或者提高。
【技术实现步骤摘要】
一种人体姿态检测方法、系统、电子设备和存储介质
[0001]本申请涉及计算机视觉
，特别是涉及一种人体姿态检测方法、系统、电子设备和存储介质。
技术介绍
[0002]随着计算机技术的快速发展，计算机视觉在大众生活中的应用也越来越多，计算机视觉技术使用计算机及相关设备对生物视觉的一种模拟；它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息；其中，人体姿态检测是计算机视觉领域的一项重要课题，其核心目标是通过图像识别、机器学习、深度学习等手段，从图像中检测出人体目标，并进一步检测出人体关键点，近年来，随着深度学习技术的发展，基于神经网络进行人体姿态检测的方法逐步增多。
[0003]在相关技术中，人体姿态检测方法有如下两类：第一类Topdown方法是先完成候选人的检测，再截取检测到的人体区域进行关键点检测；第二类Buttonup方法则是先进行所有关键点的检测，再将属于相同人体的关键点进行聚类；上述两类方法在多人检测时，因为无法建立候选人体与对应关键点的关联，第一类Topdown方法需要进行多次网络前向，第二类Buttonup方法则需要进行复杂的聚类运算，所以两类方法的延时都比较高；由此，提出了一种单阶段人体关键点检测方法，该方法用特征图中的每个网格代表一个候选人体，通过在设计检测头时就建立人体与对应关键点的联系，来解决延时较高的问题，该单阶段人体关键点检测法具有简单、便利等优点；但是，该方法因为检测头的简化对应的降低了人体关键点的检测效果；在这种情况下，为了提升检测效果，提出了对单阶段人体关键点检测方法的改进方法，例如：CenterNet人体关键点检测方法，该方法通过最近邻匹配建立偏移量关键点与热力图关键点的联系提升了传统单阶段人体关键点的检测效果，但是，也降低了单阶段人体关键点检测方法的便捷性。
[0004]目前针对相关技术中目标检测模型内由于简化检测头导致的人体关键点检测效果降低的问题，尚未提出有效的解决方案。
技术实现思路
[0005]本申请实施例提供了一种人体姿态检测方法、装置、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中因为简化检测头导致人体关键点检测效果降低的问题。
[0006]第一方面，本申请实施例提供了一种人体姿态检测方法，所述方法包括：第一目标检测模型训练完成后，获取所述第一目标检测模型的网络参数提供给第二目标检测模型；基于人体姿态数据集和所述第一目标检测模型的网络参数训练所述第二目标检测模型包括：通过所述第二目标检测模型的神经网络，在所述人体姿态数据集中提取得到特征图，所述第二目标检测模型的检测头解析所述特征图得到特征参量，所述特征参量包括：中心点定位分支、关键点偏移量分支和Wh包围盒分支，其中，所述关键点偏移量分支对应的所述特
征图中添加有Grid网格图，所述Grid网格与所述神经网络获取的初始关键点偏移量特征图叠加并融合后，得到关键点偏移量分支对应的特征图；所述检测头解析所述特征图完成后，所述第二目标检测模型输出人体关键点检测结果；部署训练完成的第二目标检测模型用于检测人体姿态。
[0007]在其中一些实施例中，所述第一目标检测模型的特征参量包括中心点定位分支、关键点偏移量分支、Wh包围盒分支、中心点优化分支、关键点优化分支和关键点热力图分支。
[0008]在其中一些实施例中，所述方法包括：在所述检测头解析所述关键点偏移量分支对应的特征图的过程中，所述Grid网格图辅助提供绝对坐标信息。
[0009]第二方面，本申请实施例提供了一种人体姿态检测方法，所述方法包括：基于人体姿态数据集训练目标检测模型包括：通过所述目标检测模型的神经网络在所述人体姿态数据集中提取得到特征图，所述目标检测模型的检测头解析所述特征图得到特征参量，所述特征参量包括：中心点定位分支、关键点热力图分支和Wh包围盒分支；其中，所述关键点热力图分支包括特征分支和权值分支，所述权值分支与所述特征分支经过卷积计算得到所述关键点热力图对应的特征图；所述特征分支对应的所述特征图中添加有Grid网格图，所述Grid网格与所述神经网络获取的初始特征图叠加并融合后提供给检测头；所述检测头解析所述特征图完成后，所述目标检测模型输出人体关键点检测结果；部署训练完成的目标检测模型用于估计人体姿态。
[0010]在其中一些实施例中，所述权值分支与所述中心点定位分支对应，能够从对应网格中获取卷积网络参数，所述卷积网络参数与所述特征分支对应的特征图经过卷积运算，得到所述关键点热力图对应的特征图后，将所述关键点热力图对应的特征图送入所述检测头解析。
[0011]在其中一些实施例中，所述基于人体姿态数据集训练目标检测模型还包括：采用第一预设损失函数训练所述目标检测模型后，通过所述目标检测模型获取第一人体姿态检测结果；采用第二预设损失函数训练所述目标检测模型后，通过所述目标检测模型获取第二人体姿态检测结果；在所述第一人体姿态检测结果优于第二人体姿态检测结果的情况下，部署阶段选取采用第一预设损失函数所训练的目标检测模型。
[0012]第三方面，本申请实施例提供了一种人体姿态检测系统，所述系统包括：输入单元、特征提取单元、特征分析单元、处理单元；所述输入单元用于收集公开数据集中的数据；所述特征提取单元用于特征提取并融合生成特征图；所述特征解析单元用于解析所述特征图获得特征参量。
[0013]第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如第一和第二方面中任一项所述的一种人体姿态检测方法。
[0014]相比于相关技术，本申请实施例提供的人体姿态检测方法，通过调整训练方法、权重系数、引入条件卷积优化关键点热力图分支的表征，另外再引入Grid图增加绝对位置信息的方法，在不丧失原始单阶段人体关键点检测方法便捷性的前提下，解决了现有技术中因为简化检测头导致人体姿态检测效果降低的问题，相比较与现有buttonup和topdown人体姿态检测算法提高了检测速度，进一步的，与现有单阶段人体关键点检测算法的
CenterNet方案相比，本方案在简化算法复杂度的前提下，人体关键点检测效果可以与其接近或者提高。
附图说明
[0015]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0016]图1是跟据本申请实施例的人体姿态检测方法的应用环境示意图；
[0017]图2是根据本申请实施例的人体关键点的示意图；
[0018]图3是根据本申请实施例的基于训练第一目标检测模型的流程图；
[0019]图4是根据本申请实施例的一种人体姿态检测方法的网络结构示意图；
[0020]图5是根据本申请实施例的基于训练第二目标检测模型的流程图；
[0021]图6是根据本申请实施例的Grid网格图的示意图；...
【技术保护点】
【技术特征摘要】
1.一种人体姿态检测方法，其特征在于，所述方法包括：第一目标检测模型训练完成后，获取所述第一目标检测模型的网络参数提供给第二目标检测模型；基于人体姿态数据集和所述第一目标检测模型的网络参数训练所述第二目标检测模型包括：通过所述第二目标检测模型的神经网络，在所述人体姿态数据集中提取得到特征图，所述第二目标检测模型的检测头解析所述特征图得到特征参量，所述特征参量包括：中心点定位分支、关键点偏移量分支和Wh包围盒分支，其中，所述关键点偏移量分支对应的所述特征图中添加有Grid网格图，所述Grid网格与所述神经网络获取的初始关键点偏移量特征图叠加并融合后，得到关键点偏移量分支对应的特征图；所述检测头解析所述特征图完成后，所述第二目标检测模型输出人体关键点检测结果；部署训练完成的第二目标检测模型用于检测人体姿态。2.根据权利要求1所述的方法，其特征在于，所述第一目标检测模型的特征参量包括中心点定位分支、关键点偏移量分支、Wh包围盒分支、中心点优化分支、关键点优化分支和关键点热力图分支。3.根据权利要求1所述的方法，其特征在于，所述方法包括：在所述检测头解析所述关键点偏移量分支对应的特征图的过程中，所述Grid网格图辅助提供绝对坐标信息。4.根据权利要求1所述的方法，其特征在于，所述基于人体姿态数据集和所述第一目标检测模型网络参数训练所述第二目标检测模型的过程中，所述第二目标检测模型的所述关键点偏移量分支的损失权重系数大于所述第一目标检测模型的所述关键点偏移量分支的所述损失权重系数。5.一种人体姿态检测方法，其特征在于，所述方法包括：基于人体姿态数据集训练目标检测模型包括：通过所述目标检测模型的神经网络在所述人体姿态数据集中提取得到特征图，所述目标检测模型的检测头解析所述特征图得到特征参量，所述特征参量包括：中心点定位分支、关键点热力图分支和Wh包围盒分支；其中，所述...
【专利技术属性】
技术研发人员：林健，周志敏，刘海伟，丛林，
申请(专利权)人：杭州易现先进科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。