[发明专利]一种人体骨骼关键点的检测方法及系统

说明书

本发明实施例提供一种人体骨骼关键点的检测方法及系统。其中，方法包括：将待测人体图像输入至训练后的人体骨骼关键点检测模型，根据输出结果，确定待测人体图像的人体骨骼关键点；其中，训练后的人体骨骼关键点检测模型由多级非对称神经网络所组成，多级非对称神经网络中的各级非对称神经网络的网络结构均相同，且均为使用空洞卷积替换卷积层和池化层的网络结构。本发明实施例提供的方法及系统，通过将待测人体图像输入至模型，并根据模型的输出结果确定人体骨骼关键点，模型采用非对称的多级重复网络结构，重编码，轻解码，能更多受益迁移学习的优势，利用降低通道数的方法，在不影响速度的情况下提升检测精度。

技术领域

本发明实施例涉及人体骨骼关键点检测技术领域，尤其涉及一种人体骨骼关键点的检测方法及系统。

背景技术

人体骨骼关键点指人体的固定部位的位置，包括眼睛、鼻子、肩、腰等，人体骨骼关键点对于描述人体姿态，预测人体行为至关重要，因此人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类、异常行为检测、自动驾驶等。

近年来，随着深度学习技术的发展，人体骨骼关键点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。基于深度学习的人体骨骼关键点检测方法主要分为两类：自上而下的检测方法和自下而上的检测方法。其中，自上而下的检测方法主要包含两个部分，人体检测和单人人体骨骼关键点检测，即首先通过目标检测算法将原始图像中的每一个人检测出来，然后再针对单个人做人体骨骼关键点检测，其中代表性算法有G-RMI、CFN、RMPE、Mask R-CNN和CPN等，目前在MSCOCO数据集上进行检测所达到的最高精度为72.6％；自下而上的检测方法也主要包含两个部分，关键点检测和关键点聚类，即首先将原始图像中所有的关键点都检测出来，然后通过相关策略将所有的关键点聚类成不同的个体，其中对关键点之间关系进行建模的代表性算法有PAF、Associative Embedding、PartSegmentation和Mid-Range offsets等，目前在MSCOCO数据集上进行检测所达到的最高精度为68.7％。相比之下，自上而下的检测方法有着更高的检测精度。

对于自上而下的检测方法中的单人人体骨骼关键点检测，由于关键点局部信息的区分性很弱、不同关键点的检测的难易程度是不一样以及人体骨骼关键点定位较依赖于算法，因此，会出现检测不准和重复检测等问题。

发明内容

针对现有技术中存在的技术问题，本发明实施例提供一种人体骨骼关键点的检测方法及系统。

第一方面，本发明实施例提供一种人体骨骼关键点的检测方法，包括：

将待测人体图像输入至训练后的人体骨骼关键点检测模型，获取所述训练后的人体骨骼关键点检测模型的输出结果；

根据所述输出结果，确定所述待测人体图像的人体骨骼关键点；

其中，所述训练后的人体骨骼关键点检测模型由多级非对称神经网络所组成，所述多级非对称神经网络中的各级非对称神经网络的网络结构均相同，且均为使用空洞卷积替换卷积层和池化层的网络结构。

第二方面，本发明实施例提供一种人体骨骼关键点的检测系统，包括：

输出结果获取模块，用于将待测人体图像输入至训练后的人体骨骼关键点检测模型，获取所述训练后的人体骨骼关键点检测模型的输出结果；

人体骨骼关键点确定模块，用于根据所述输出结果，确定所述待测人体图像的人体骨骼关键点；

其中，所述训练后的人体骨骼关键点检测模型由多级非对称神经网络所组成，所述多级非对称神经网络中的各级非对称神经网络的网络结构均相同，且均为使用空洞卷积替换卷积层和池化层的网络结构。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。