[发明专利]人体姿态识别方法及装置、电子设备、存储介质

权利要求书

1.一种人体姿态识别方法，其特征在于，包括：

获取包含人体姿态的原始图像；

检测所述原始图像中的人体关键点，并连接所述人体关键点，获得肢体标识；

对包含所述肢体标识的原始图像做预处理，并将所述肢体标识突出化处理，获得输入图像；

通过深度可分离卷积神经网络模型对所述输入图像进行处理，得到所述人体姿态的分类结果；

其中，所述通过深度可分离卷积神经网络模型对所述输入图像进行处理，得到所述人体姿态的分类结果包括：

根据预设算法对所述输入图像进行初次分类，得到初次分类结果；

根据所述初次分类结果调整所述输入图像中所述肢体标识的像素值，获得修正图像；

将所述修正图像输入所述深度可分离卷积神经网络模型，得到所述人体姿态的再次分类结果；

如果所述再次分类结果与所述初次分类结果相同，则将所述再次分类结果作为所述人体姿态的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述深度可分离卷积神经网络模型包括2N+1个卷积层，其中，

第1卷积层包括q₁个g₁×g₁×t的第一卷积核；

第i卷积层包括q_i个g_i×g_i×1的第i卷积核；

第i+1卷积层包括q_i+1个1×1×q_i的第i+1卷积核；

其中，t为所述输入图像的通道数，i为[2,2N]的任意偶数，且q_i＝q_i-1。

3.根据权利要求2所述的方法，其特征在于，所述深度可分离卷积神经网络模型还包括池化层、全连接层及Softmax层；所述通过深度可分离卷积神经网络模型对所述输入图像进行处理，得到所述人体姿态的分类结果包括：

将所述输入图像输入所述2N+1个卷积层，以输出卷积特征图像；

将所述卷积特征图像输入所述池化层，以输出压缩特征图像；

将所述压缩特征图像输入所述全连接层，以输出特征向量；

将所述特征向量输入所述Softmax层，以计算各标准姿态的概率值，并将最大概率值对应的标准姿态作为所述人体姿态的分类结果。

4.根据权利要求3所述的方法，其特征在于，还包括：

根据样本图像以及所述样本图像的分类标注，训练所述2N+1个卷积层的参数以及所述全连接层的参数。

5.根据权利要求1所述的方法，其特征在于，所述根据预设算法对所述输入图像进行初次分类包括：

按照预设规则将所述肢体标识转换为肢体向量；

计算各所述肢体向量之间的余弦相似度；

将所述余弦相似度与各标准姿态的参数对比，确定所述初次分类结果。

6.根据权利要求1所述的方法，其特征在于，所述根据预设算法对所述输入图像进行初次分类，得到初次分类结果包括：

将所述输入图像输入所述深度可分离卷积神经网络模型，得到所述初次分类结果。

7.根据权利要求1、5、6任一项所述的方法，其特征在于，所述根据所述初次分类结果调整所述输入图像中所述肢体标识的像素值包括：

提高所述初次分类结果对应的特征肢体标识在所述输入图像中的亮度，及/或降低所述特征肢体标识以外的肢体标识在所述输入图像中的亮度。

8.根据权利要求1所述的方法，其特征在于，所述预处理包括灰度处理、截图、尺寸调整、归一化处理、去均值中的一种或多种。