基于姿态识别的人体模型建立方法技术

本发明专利技术公开了一种基于姿态识别的人体模型建立方法，包括获取人体模型基础数据；采用检测网络检测得到检测模型；采用姿态检测算法进行二维姿态估计得到估计模型；对估计模型进行对称空间变换提取单人区域；对单人区域进行检测冗余处理得到人体姿态估计以及人体关节点的像素坐标；进行关节角度的运动信息计算和建立人体模型。本发明专利技术提供的这种基于姿态识别的人体模型建立方法，通过创新性的算法设计对人体模型进行建立，从而保证了算法本身的可靠性高，而且本发明专利技术方法准确性好且易于实施。而且本发明专利技术方法准确性好且易于实施。而且本发明专利技术方法准确性好且易于实施。

【技术实现步骤摘要】
基于姿态识别的人体模型建立方法


[0001]本专利技术具体涉及一种基于姿态识别的人体模型建立方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，人们对于健康的关注程度也越来越高。因此，对于人体步态的分析和人体模型的建模，就显得尤为重要。对于人体步态分析和建模的方法，目前主要是基于计算机视觉的步态分析技术和基于MEMS惯性传感器的步态分析技术两种。
[0003]基于计算机视觉2D摄像头的动作捕捉系统，主要采用卷积神经网络捕获特定关节点的特征，从而凸显相关关节的坐标，进行人体的二维建模。该方法需要采集大量的数据样本作为训练数据集，同时不能有摄像头的遮挡。因此实施起来并不方便。
[0004]而基于MEMS惯性传感器的步态分析系统，主要由多个MEMS惯性传感器组成，人体关节每个测量部位都穿戴惯性传感器，惯性传感器会反馈在运动过程中的角速度，加速度，磁力值以及运动姿态角度等测量信息，同时设置基于加速度传感器，陀螺仪，磁力计的数据融合算法，利用正向运动学和反向运动学实时推测出整个人身体的运动参数。该方法的缺点是，惯性传感器在每次测量前都需要校准，且校准后不能移动相关传感器的位置，同时传感器容易受到周围磁场的干扰，对于普通患者而言操作较复杂。

技术实现思路

[0005]本专利技术的目的在于提供一种可靠性高、准确性好且易于实施的基于姿态识别的人体模型建立方法。
[0006]本专利技术提供的这种基于姿态识别的人体模型建立方法，包括如下步骤：
[0007]S1.获取人体模型基础数据；
[0008]S2.对步骤S1获取的人体模型基础数据采用检测网络进行检测，并得到检测模型；
[0009]S3.对步骤S2得到的检测模型，采用姿态检测算法进行二维姿态估计，从而得到估计模型；
[0010]S4.对步骤S3得到的估计模型进行对称空间变换，从而提取单人区域；
[0011]S5.对步骤S4得到的单人区域进行检测冗余的处理，从而得到人体姿态估计以及人体关节点的像素坐标；
[0012]S6.根据步骤S5得到的像素坐标，进行关节角度的运动信息计算；
[0013]S7.根据步骤S6得到的计算结果，建立人体模型。
[0014]步骤S2所述的对步骤S1获取的人体模型基础数据采用检测网络进行检测，具体为采用YOLO v3检测网络检测人体。
[0015]所述的采用YOLO v3检测网络检测人体，具体为采用如下步骤进行检测：
[0016]通过Darknet53网络对输入数据进行特征提取，得到特定大小的特征图输出；然后将得到的图像分成13*13的网格大小，同时规定若真实框中某个物体的中心坐标落在某个
网格中，那么就由该网格来预测该物体；同时，每个物体由三个边界框进行预测，使用逻辑回归网络确定预测的回归框；
[0017]在YOLO v3检测网络中，YOLO v3_body共有252层，其中23个res_unit层对应23个add层，BN层共72层，LeakyReLu层共72层；每一层BN层后面均连接一层LeakyReLu层；此外，上采样和张量拼接操作各2个，5个零填充对应5个res_block；
[0018]YOLO v3使用一个53层的卷积网络作为特征提取网络；特征提取网络残差单元叠加而成，同时采用k
‑
means聚类算法确定bounding box的初始尺寸；同时使用9个默认框，每个默认框与不同尺寸特征图对应关系为：13*13的feature map对应[(116*90),(156*198),(373*326)]，26*26的feature map对应[(30*61),(62*45),(59*119)]，52*52的feature map对应[(10*13),(16*30),(33*23)]；
[0019]YOLO v3采用直接预测相对位置的方法，预测出b
‑
box中心点相对于网格单元左上角的相对坐标，直接预测出(t
x
,t
y
,t
w
,t
h
,t
o
)，然后通过以下坐标偏移公式计算得到b
‑
box的位置大小和置信度：
[0020]b
x
＝σ(t
x
)+c
x
[0021]b
y
＝σ(t
y
)+c
y
[0022][0023][0024]p
r
(object)*IOU(b,object)＝σ(t
o
)
[0025]式中(t
x
,t
y
,t
w
,t
h
,t
o
)为模型的预测输出；c
x
和c
y
为网格的坐标；和p
h
为预测前bounding box的尺寸；为预测得到的bounding box的中心坐标和尺寸；训练坐标值时，采用平方和距离误差损失进行训练；
[0026]YOLO v3为每个真实对象分配一个边界框；若边界框与真实对象不吻合，则不会产生坐标或类别预测损失，只会产生物体预测损失；
[0027]YOLO v3采用若干个独立的logistic分类器解决多标签分类问题；
[0028]YOLO v3采用若干个尺度融合进行预测，同时采用上采样和融合算法，在若干个尺度的特征图上进行检测。
[0029]步骤S3所述的采用姿态检测算法进行二维姿态估计，具体为采用stackedhourglass姿态检测算法进行二维姿态估计。
[0030]所述的采用stacked hourglass姿态检测算法进行二维姿态估计，具体为采用如下步骤进行估计：
[0031]采用4阶hourglass module模块；
[0032]每次降采样之前，分出上半路保留原尺度信息；
[0033]每次升采样之后，和上一尺度的数据相加；
[0034]两次降采样之间，使用三个residual模块提取特征；
[0035]两次相加之间，使用一个residual模块提取特征；
[0036]将feature map层层叠加，最后一个大的feature map保留所有层的信息；
[0037]最后该网络得到每个关节点的heatmap，并组合hourglass；
[0038]将第一个沙漏网络给出的热力图作为下一个沙漏网络的输入，从而提升了关节点的预测精度。
[0039]所述的4阶hourglass module模块，具体为采用如下步骤构建4阶hourglassmodule模块：
[0040]a.构造一阶hourglass module模块：一阶hourglass module模块包括max pool模组、第一res模组、第二res模组、第三res模组、u本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于姿态识别的人体模型建立方法，包括如下步骤：S1.获取人体模型基础数据；S2.对步骤S1获取的人体模型基础数据采用检测网络进行检测，并得到检测模型；S3.对步骤S2得到的检测模型，采用姿态检测算法进行二维姿态估计，从而得到估计模型；S4.对步骤S3得到的估计模型进行对称空间变换，从而提取单人区域；S5.对步骤S4得到的单人区域进行检测冗余的处理，从而得到人体姿态估计以及人体关节点的像素坐标；S6.根据步骤S5得到的像素坐标，进行关节角度的运动信息计算；S7.根据步骤S6得到的计算结果，建立人体模型。2.根据权利要求1所述的基于姿态识别的人体模型建立方法，其特征在于步骤S2所述的对步骤S1获取的人体模型基础数据采用检测网络进行检测，具体为采用YOLO v3检测网络检测人体；采用如下步骤进行检测：通过Darknet53网络对输入数据进行特征提取，得到特定大小的特征图输出；然后将得到的图像分成13*13的网格大小，同时规定若真实框中某个物体的中心坐标落在某个网格中，那么就由该网格来预测该物体；同时，每个物体由三个边界框进行预测，使用逻辑回归网络确定预测的回归框；在YOLO v3检测网络中，YOLO v3_body共有252层，其中23个res_unit层对应23个add层，BN层共72层，LeakyReLu层共72层；每一层BN层后面均连接一层LeakyReLu层；此外，上采样和张量拼接操作各2个，5个零填充对应5个res_block；YOLO v3使用一个53层的卷积网络作为特征提取网络；特征提取网络残差单元叠加而成，同时采用k
‑
means聚类算法确定bounding box的初始尺寸；同时使用9个默认框，每个默认框与不同尺寸特征图对应关系为：13*13的feature map对应[(116*90),(156*198),(373*326)]，26*26的feature map对应[(30*61),(62*45),(59*119)]，52*52的feature map对应[(10*13),(16*30),(33*23)]；YOLO v3采用直接预测相对位置的方法，预测出b
‑
box中心点相对于网格单元左上角的相对坐标，直接预测出(t
x
,t
y
,t
w
,t
h
,t
o
)，然后通过以下坐标偏移公式计算得到b
‑
box的位置大小和置信度：b
x
＝σ(t
x
)+c
x
b
y
＝σ(t
y
)+c
yy
p
r
(object)*IOU(b,object)＝σ(t
o
)式中(t
x
,t
y
,t
w
,t
h
,t
o
)为模型的预测输出；c
x
和c
y
为网格的坐标；和p
h
为预测前bounding box的尺寸；为预测得到的bounding box的中心坐标和尺寸；训练坐标值时，采用平方和距离误差损失进行训练；YOLO v3为每个真实对象分配一个边界框；若边界框与真实对象不吻合，则不会产生坐
标或类别预测损失，只会产生物体预测损失；YOLO v3采用若干个独立的logistic分类器解决多标签分类问题；YOLO v3采用若干个尺度融合进行预测，同时采用上采样和融合算法，在若干个尺度的特征图上进行检测。3.根据权利要求2所述的基于姿态识别的人体模型建立方法，其特征在于步骤S3所述的采用姿态检测算法进行二维姿态估计，具体为采用stacked hourglass姿态检测算法进行二维姿态估计。4.根据权利要求3所述的基于姿态识别的人体模型建立方法，其特征在于所述的采用stacked hourglass姿态检测算法进行二维姿态估计，具体为采用如下步骤进行估计：采用4阶hourglass module模块；每次降采样之前，分出上半路保留原尺度信息；每次升采样之后，和上一尺度的数据相加；两次降采样之间，使用三个residual模块提取特征；两次相加之间，使用一个residual模块提取特征；将feature map层层叠加，最后一个大的feature map保留所有层的信息；最后该网络得到每个关节点的heatmap，并组合hourglass；将第一个沙漏网络给出的热力图作为下一个沙漏网络的输入，从而提升了关节点的预测精度。5.根据权利要求4所述的基于姿态识别的人体模型建立方法，其特征在于所述的4阶hourglass module模块，具体为采用如下步骤构建4阶hourglass module模块：a.构造一阶hourglass module模块：一阶hourglass module模块包括max pool模组、第一res模组、第二res模组、第三res模组、up Sample模组和第四res模组；其中max pool模组、第一res模组、第二res模组、第三res模组和up Sample模组串联，第四res模组的输入端连接模块输入端，第四res模组的输出端连接模块输出端；b.将一阶hourglass module模块替换一阶hourglass module模块中的第二res模组，从而得到二阶hourglass module模块；c.将步骤b得到的二阶hourglass module模块替换一阶hourglass module模块中的第二res模组，从而得到三阶hourglass module模块；d.将步骤c得到的三阶hourglass module模块替换一阶hourglass module模块中的第二res模组，从而得到最终的四阶hourglass module模块。6.根据权利要求5所述的基于姿态识别的人体模型建立方法，其特征在于步骤S4所述的对步骤S3得到的估计模型进行对称...

【专利技术属性】
技术研发人员：莫富灏，于志旺，
申请(专利权)人：湖南大学，
类型：发明
国别省市：