【技术实现步骤摘要】
一种姿态估计方法及系统
[0001]本专利技术涉及计算机视觉
,具体是一种姿态估计方法及系统。
技术介绍
[0002]姿态估计主要应用于真人领域,当前技术在卡通领域存在以下问题:
[0003](1)真人姿态估计方法大多依赖于训练样本(源和目标)的分布,并没有考虑可能出现干扰因素。由于模型的性能很容易受到数据集分布偏差的影响,因此大多数姿态估计在真人数据集上取得了很好的效果,但这些方法都是基于简单或写实的图片进行的训练。而卡通数据往往伴随着分布不均问题,如简笔画颜色单一,线条简单;漫画角色纹理服饰复杂;涂鸦角色五颜六色,背景难以区分等,这种差异性使得训练样本和验证样本出现很大的区别。由此导致的源和目标的不对应难以通过简单的数据增强或数据补充来进行弥补。例如训练中图片类型是卡通动物,但验证类型却是卡通人物,样本之间强大差异导致训练的模型难以适应不同风格的图片。同时这种差异性导致的特征分布和表现方式的不同也进一步使得特征提取的困难。
[0004]此外,卡通数据集由于其主观性,往往伴随着各种混淆的信息和干扰因素,如颜色的混杂、光线昏暗、肢体形状不合常理等。图片的混淆信息可能会导致图像中的边缘模糊,这会使得角点等特征难以被准确地检测到,从而影响姿态估计的准确性。卡通数据集往往在具备其他数据集所有的遮挡、姿态不一、尺度不同等问题外,还因为其夸张的形象、杂乱的纹理、背景凌乱等特征导致预测更加不易。当图片中存在多足、腿部几乎不存在,除四肢还有翅膀等情况时,很容易造成错误的估计。这些问题必须针对性的设计解决方案。 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种姿态估计方法,其特征在于,对网络模型进行多层次渐进式特征融合,通过关键点的权重信息对网络模型进行约束,将多个阶段的融合特征、分布权重以及损失作为网络模型的输出。2.根据权利要求1所述的一种姿态估计方法,其特征在于,包括以下步骤:S1,数据集构建:构建用于网络模型的训练和推理的数据集;S2,特征融合:对HRNet网络模型进行多层次渐进式特征融合,然后将融合之后的HRNet网络模型在数据集上进行训练和推理。3.根据权利要求2所述的一种姿态估计方法,其特征在于,步骤S2中,通过从后往前依次跨层、逐层削弱的特征融合方式对HRNet网络模型的低层次的信息进行补充,进行反向特征融合。4.根据权利要求3所述的一种姿态估计方法,其特征在于,步骤S2中,将HRNet网络模型划分为N个阶段,沿卡通数据传输方向依次将N个阶段记为stage1~stageN,只在同一个阶段进行不同尺度的特征融合;以stageN的最终输出的特征不断向前一个阶段进行反向特征融合;其中,N≥2且N为整数。5.根据权利要求4所述的一种姿态估计方法,其特征在于,步骤S2中,HRNet网络模型包括极化注意力模块;其中,极化注意力模块用于关注输入中的关键点信息。6.根据权利要求5所述的一种姿态估计方法,其特征在于,步骤S2中,极化注意力模块的通道分支的权重计算公式如下:A
ch
(X)=F
SG
(F
LN
(W
z
((σ1(W
v
(X)))
×
F
SM
(σ2(W
q
(X))))));其中,X表示输入特征,A
ch
(X)表示通道分支的权重,W
v
(
·
)表示v分支的1x1卷积,σ1(
·
)表示第一Reshape运算符,W
q
(
·
)表示q分支1x1卷积,σ2(
·
)表示第二Reshape运算符,θ1表示LayerNorm操作,W
z
(
·
)表示z分支的1x1的卷积,F
LN
(
·
)表示LayerNorm操作,F
SM
(
·
)表示SoftMax操作,
×
表示矩阵点积运算,F
SG
(
·
)表示Sigmoid操作;极化注意力模块的空间分支的权重计算公式如下:A
sp
(X)=F
SG
[σ3(F
SM
(σ1(F
技术研发人员:吴晓,胡文莉,李威,乔建军,何廷全,胡东风,
申请(专利权)人:西南交通大学,
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。