[发明专利]估计姿态的方法、电子设备和显示虚拟对象的方法及设备

权利要求书

1.一种估计姿态的方法，其特征在于，包括：

接收输入图像；以及

估计输入图像中的对象的姿态信息，

其中，当估计对象的姿态信息时使用对象的局部信息。

2.根据权利要求1所述的方法，其特征在于，通过对象的关键点信息来提供对象的局部信息，该方法还包括：

估计对象的关键点信息，

其中，在估计对象的姿态信息的同时估计对象的关键点信息。

3.根据权利要求2所述的方法，其特征在于，当估计对象的姿态信息时使用对象的局部信息包括：当估计对象的姿态信息时，使用所估计的关键点信息来校正所估计的姿态信息。

4.根据权利要求2或3所述的方法，其特征在于，通过神经网络来执行该方法。

5.根据权利要求4所述的方法，其特征在于，用于估计对象的姿态信息的任务和用于估计对象的关键点信息的任务在神经网络中共享基础层的参数。

6.根据权利要求5所述的方法，其特征在于，用于估计对象的姿态信息的任务和用于估计对象的关键点信息的任务在神经网络中通过并行模式和级联模式中的一个连接，其中，在级联模式中，估计的关键点信息被输入到用于估计对象的姿态信息的任务中。

7.根据权利要求5或6所述的方法，其特征在于，所述神经网络包括：第一路径，用于估计对象的关键点信息，包含所述基础层和一个或更多个卷积层；以及第二路径，用于估计对象的姿态信息，包含所述基础层和一个或更多个全连接层。

8.根据权利要求5或6所述的方法，其特征在于，所述神经网络包括：第一路径，用于估计对象的关键点信息，包含所述基础层和一个或更多个卷积层；以及第二路径，用于估计对象的姿态信息，包含所述基础层、一个或更多个卷积层和一个或更多个全连接层，

其中，第一路径内的一个或更多个卷积层中的一个卷积层的输出被连接到第二路径内的一个或更多个卷积层中的一个卷积层的输出作为所述一个或更多个全连接层的输入。

9.根据权利要求7或8中的一个所述的方法，其中，第一路径内的一个或更多个卷积层的尺度相同或不同，所述第一路径内的一个或更多个卷积层是并行的或级联的。

10.根据权利要求5或6所述的方法，其特征在于，所述神经网络包括：第一路径，用于估计对象的关键点信息，包含所述基础层和一个或更多个卷积层；以及第二路径，用于估计对象的姿态信息，包含所述基础层、第一路径内的一个或更多个卷积层以及一个或更多个全连接层，并且

第一路径内的一个或更多个卷积层中的两个或更多个卷积层的输出连接到第二路径内的一个或更多个全连接层中的一个全连接层作为输入。

11.根据权利要求10所述的方法，其中，第一路径内的一个或更多个卷积层的尺度不同，所述第一路径内的一个或更多个卷积层是并行的或级联的。

12.根据权利要求2-11中的任一个所述的方法，其特征在于，该方法还包括：

估计输入图像中的对象的类别信息，

其中，在估计对象的姿态信息和估计对象的关键点信息的同时估计对象的类别信息。

13.根据权利要求12所述的方法，其特征在于，用于估计对象的姿态信息的任务、用于估计对象的关键点信息的任务和用于估计对象的类别信息的任务在神经网络中共享基础层的参数。

14.根据权利要求13所述的方法，其特征在于，用于估计对象的姿态信息的任务、用于估计对象的关键点信息的任务和用于估计对象的类别信息的任务在神经网络中通过并行模式连接。