[发明专利]一种基于人体关键点跟踪的多人姿态分析方法

说明书

本发明公开了一种基于人体关键点跟踪的多人姿态分析方法，本发明具体包括以下步骤：S1、获取视频流，S2、对视频流中的图像利用关键点检测模型进行人体关键点检测，S3、选出人体关键点中置信度较高且位置预测校准的点，S4、在获取到视频流当前帧与之前所有帧中人的位置，S5、确定需要分析的姿态种类，S6、设计分类网络，S7、最后将一段视频流中的关键点序列输入到分类网络中，本发明涉及人体姿态识别技术领域。该基于人体关键点跟踪的多人姿态分析方法，实现了对关键点进行跟踪，将同一个人在一段时间内的关键点提取出来，区分不同的人之间关键点；同时综合序列帧的所有关键点信息，加入时间维度的信息，反向修正离群关键点。

技术领域

本发明涉及人体姿态识别技术领域，具体为一种基于人体关键点跟踪的多人姿态分析方法。

背景技术

随着计算机科学和人工智能的发展与应用，视频分析技术迅速兴起并得到了广泛关注，其中一个前沿方向就是人体行为识别，它在虚拟现实、视觉监控、知觉用户界面(PUl)等领域均有着广阔的应用前景，识别的准确度和快速性直接影响了后续的视频分析系统，目前的行为识别是通过分析目标图像或视频，检测出人体的骨骼关节点位置信息，进而通过逻辑判断来识别人体动作，因此如何高效准确的检测人体关键点已经成为了视频分析领域的重中之重。

与本发明最相似的实现方案为专利“CN109165552A”-《一种基于人体关键点的姿态识别方法、系统及存储器》，该方法包括：首先通过移动侦测来判断视频画面中移动的区域，再在这些有效区域中做目标检测，再通过姿势识别获取身体和脸的关键点，将关键点进行机器学习，然后识别人的姿态，例如站着，坐着，转身，嬉笑等。这样将人体和面部的关键点进行训练，再对目标进行姿态识别。

与本发明最相似的实现方案还有专利“CN107358149A”-《一种人体姿态检测方法和装置》，该方法包括获取人物图像，人物图像包括行人区域和背景区域，行人区域包括左肩点及右肩点；检测行人区域在人物图像中的位置和行人区域的宽度，以及检测关键点的个数和关键点在人物图像中的位置；若关键点的个数等于预设个数，则标记人物图像为未遮挡状态；计算左肩点和右肩点之间的第一距离；若第一距离不小于转身阈值，则标记人物图像为非转身状态。通过关键点的个数和关键点之间的距离判断人物图像的状态。可以根据人物图像的状态对多个人物图像进行分类，或者是挑选没有遮挡的、非转身状态的人物图像进行下一步的行人识别等操作，可以提高行人识别的准确率。

目前的人体姿态识别方法主要是利用一些成熟的网络提取到图像中的人体关键点位置，然后通过分析关键点的数量与关键点之间的位置关系来确定当前的人体姿态，但是现有的技术存在以下问题：第一，在使用卷积神经网络获取多人关键点时，关键点的数量和位置等信息不可避免的会出现一些误差；第二，对于一段视频流来说，仅使用某一帧的人体关键点进行姿态分析，这种误差会导致分析结果的准确度较低；第三，单纯使用关键点的数量和位置信息进行分析时，然后获得姿态估计的准确度较低。

针对以上问题，本发明对人体关键点进行跟踪，先提取到视频中某个人在一段时间内的关键点信息，再利用深度学习方法对关键点特征图进行分类，从而综合分析该对象的姿态，本发明有以下几个优点：第一，对关键点进行跟踪，加入了时间维度的信息，减少了多人关键点之间的干扰；第二，在结合了连续帧的跟踪信息之后，进一步提高了关键点检测的准确度；第三，使用深度学习的方法对关键点进行分类，可以有效的区分例如攀爬、跳跃、平躺、奔跑、下蹲等姿态。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于人体关键点跟踪的多人姿态分析方法，对于视频流中的多个人的姿态进行分析，首先利用卷积神经网络提取到当前帧中的人体关键点位置，然后结合之前帧的信息对关键点进行跟踪，从而得出每个人在一段时间内的所有关键点时序信息，再通过深度学习分类模型，对含有时序信息的关键点进行分类，判定视频中的每个人的姿态。

(二)技术方案