[发明专利]一种基于深度学习的骨架线提取算法、系统及存储介质

说明书

技术领域

本发明涉及机器视觉技术领域，尤其是一种利用深度学习网络对人体深度图进行身体区域分块并提取人体骨线架的方法。

背景技术

人体骨架线提取是一种利用算法提取人体关节点并连接的技术。人体的姿态可以多种多样，但如果将人体骨架视为刚性的模型，则关节点之间的骨骼不会随着人体姿态的变化而变化，因此人体骨架提取的关键就是关节点的提取。

现有的关节点提取算法是通过人工标定关节点或者是在关节点上附着标志物，然后对标定的关节点进行跟踪，从而获得人体的骨架线。这种方法的优点是能够获得人体的先验知识实现精确跟踪，缺点是难以自动实现初始化、跟踪过程误差和噪声的影响大。因此有必要提出和研究出不用人工参与，并且鲁棒性强的人体骨架线提取算法。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种无需人为操作、鲁棒的人体骨架线提取算法，旨在利用深度学习网络对人体深度图进行身体区域分块，并从人体区域块中提取出关节点，从而提取人体的骨架线。

本发明提供的一种基于深度学习的骨架线提取算法，包括：

对人体深度图进行人体区域分块的步骤：使用深度学习模型对人体深度图进行处理，得到人体区域分块结果；

求取人体区域分块质心的步骤：对每个人体区域分块进行以下处理：计算该人体区域分块像素点横坐标的均值与纵坐标的均值，横坐标的均值与纵坐标的均值即为该人体区域分块的质心坐标；

将各个人体区域分块的质心及人体区域分块的边界进行合并处理，得到各个关节点的步骤；

将各个关节点顺序连接，得到人体骨架线的步骤。

进一步，所述深度学习模型通过以下方法训练得到：

获取训练样本集，样本集中包含一定数量的人体深度图及其对应的人体区域标签图；

将各个人体深度图及其对应的人体区域标签图成对地输入到深度学习模型，对深度学习模型进行训练；

训练完成后便得到具备人体区域分块能力的深度学习模型。

所述合并处理进一步包括：

将人体区域分块中的上手臂分块的质心坐标与下手臂分块的质心坐标的均值作为手肘关节点；

将大腿分块和下躯干分块的交界处作为髋关节点；

将其余人体区域分块的质心作为其余关节点。

本发明还提供了一种基于深度学习的骨架线提取系统，包括：

人体区域分块模块，用于使用深度学习模型对人体深度图进行处理，得到人体区域分块结果；

人体区域分块质心求取模块，用于对每个人体区域分块进行以下处理：计算该人体区域分块像素点横坐标的均值与纵坐标的均值，横坐标的均值与纵坐标的均值即为该人体区域分块的质心坐标；

关节点获取模块，用于将各个人体区域分块的质心及人体区域分块的边界进行合并处理，得到各个关节点；

人体骨架线获取模块，用于将各个关节点顺序连接，得到人体骨架线。

进一步，所述深度学习模型通过以下方法训练得到：

获取训练样本集，样本集中包含一定数量的人体深度图及其对应的人体区域标签图；

将各个人体深度图及其对应的人体区域标签图成对地输入到深度学习模型，对深度学习模型进行训练；

训练完成后便得到具备人体区域分块能力的深度学习模型。

进一步，所述关节点获取模块还包括合并处理子模块，其用于：

将人体区域分块中的上手臂分块的质心坐标与下手臂分块的质心坐标的均值作为手肘关节点；

将大腿分块和下躯干分块的交界处作为髋关节点；

将其余人体区域分块的质心作为其余关节点。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明对深度学习模型进行训练，使其能自动对人体区域进行分块，而且分块准确、稳定。

2、本发明通过对人体区域分块的质心及边界线进行合并得到关节点，通过顺序连接关节点能准确提取出人体骨架线。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明方法流程图。

图2是本发明采用的深度学习模型的示意图。

图3是本发明中深度学习模型训练流程图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。