[发明专利]参数推断方法及装置

权利要求书

1.一种参数推断方法，其特征在于，所述方法包括：

接收人体部位的多个关键点，其中，所述多个关键点用于反映所述人体部位的特征；

使用训练完成的神经网络点分布模型对所述多个关键点进行处理，得到与所述人体部位对应的形状参数和姿态参数；

所述神经网络点分布模型包括参数推断单元、关键点重建单元以及模型参数单元，所述关键点重建单元分别与所述参数推断单元以及所述模型参数单元连接，其中，在使用训练完成的神经网络点分布模型对所述多个关键点进行处理之前，所述方法还包括通过以下过程训练所述神经网络点分布模型：

获取所述人体部位的多个训练关键点；

使用所述参数推断单元对所述多个训练关键点进行处理，推断出与所述多个训练关键点对应的训练形状参数和训练姿态参数；

根据所述训练形状参数、训练姿态参数以及初始模型参量通过所述关键点重建单元计算重建关键点，其中，所述初始模型参量是由所述模型参数单元记录的；

根据所述重建关键点与所述训练关键点的损失值和反向传播算法更新所述参数推断单元以及所述初始模型参量，直至调整后的神经网络点分布模型对应的损失值符合约束条件。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练形状参数、训练姿态参数以及初始模型参量通过所述关键点重建单元计算重建关键点，包括：

通过所述关键点重建单元根据公式和p＝fR(S+t)计算重建关键点p；其中，所述初始模型参量包括W_i，表示人体特征平均值，W_i表示不同的人体特征变化分量；所述训练形状参数包括α_i，α_i表示W_i的权重系数；所述训练姿态参数包括f、R、t，f表示缩放系数，R表示旋转矩阵，t表示平移向量。

3.根据权利要求2所述的方法，其特征在于，所述使用所述参数推断单元对所述多个训练关键点进行处理，推断出与所述多个训练关键点对应的训练形状参数和训练姿态参数，包括：

将所述多个训练关键点p'输入至所述参数推断单元 ，得到与所述多个训练关键点p'对应的训练形状参数α_i和训练姿态参数f、R、t。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从训练完成的所述神经网络点分布模型中获得终值模型参量。

5.一种参数推断装置，其特征在于，所述装置包括：

关键点接收模块，用于接收人体部位的多个关键点，其中，所述多个关键点用于反映所述人体部位的特征；

参数获得模块，用于使用训练完成的神经网络点分布模型对所述多个关键点进行处理，得到与所述人体部位对应的形状参数和姿态参数；

所述神经网络点分布模型包括参数推断单元、关键点重建单元以及模型参数单元，所述关键点重建单元分别与所述参数推断单元以及所述模型参数单元连接，所述装置还包括：

训练关键点获取模块，用于获取所述人体部位的多个训练关键点；

训练参数推断模块，用于使用所述参数推断单元对所述多个训练关键点进行处理，推断出与所述多个训练关键点对应的训练形状参数和训练姿态参数；

关键点重建模块，用于根据所述训练形状参数、训练姿态参数以及初始模型参量通过所述关键点重建单元计算重建关键点，其中，所述初始模型参量是由所述模型参数单元记录的；

模型调整模块，用于根据所述重建关键点与所述训练关键点的损失值和反向传播算法更新所述参数推断单元以及所述初始模型参量，直至调整后的神经网络点分布模型对应的损失值符合约束条件。

6.根据权利要求5所述的装置，其特征在于，所述关键点重建模块用于通过所述关键点重建单元根据公式和p＝fR(S+t)计算重建关键点p；其中，所述初始模型参量包括W_i，表示人体特征平均值，W_i表示不同的人体特征变化分量；所述训练形状参数包括α_i，α_i表示W_i的权重系数；所述训练姿态参数包括f、R、t，f表示缩放系数，R表示旋转矩阵，t表示平移向量。