[发明专利]人体姿势估计方法、装置、设备及存储介质

权利要求书

1.一种人体姿势估计方法，其特征在于，所述人体姿势估计方法包括：

通过预置的人体特征处理网络结构和热度图网络结构，构建深度学习网络模型，所述人体特征处理网络结构包括网络输入层、茎网络层Stem和初始网络层Inception-A，所述网络输入层用于将尺寸大小为368*368*3的人体特征图输入到所述茎网络层Stem中，所述茎网络层Stem包括一个卷积核大小为3*3的卷积层、多个卷积核大小为1*1的卷积层和两个最大池化层，所述两个最大池化层中的一个最大池化层的最大池化核大小为2*2，所述初始网络层Inception-A包括多个卷积核大小均为1*1的卷积层和一个均值池化核大小为1*1的均值池化层，所述热度图网络结构包括第一特征拼接阶段的残差网络ResNet和第二特征拼接阶段的残差网络ResNet；

获取人体图像训练数据集，根据所述人体图像训练数据集对所述深度学习网络模型进行训练，获得人体姿态估计模型；

获取待处理的人体图像信息，通过所述人体姿态估计模型中的人体特征处理网络结构对所述待处理的人体图像信息进行特征提取，获得人体特征；

通过所述人体姿态估计模型中的热度图网络结构，生成所述人体特征的人体热度图；

对所述人体热度图进行人体姿态估计，获得人体的关键点。

2.根据权利要求1所述的人体姿势估计方法，其特征在于，所述茎网络层Stem包括第一特征拼接层、第二特征拼接层和第三特征拼接层，所述第一特征拼接层包括一个卷积核大小为3*3的卷积层、三个卷积核大小为1*1的卷积层和一个最大池化核大小为2*2的最大池化层，所述第二特征拼接层包括六个卷积核大小为1*1的卷积层，所述第三特征拼接层包括一个步长为2的最大池化层和一个卷积核大小为1*1的卷积层。

3.根据权利要求2所述的人体姿势估计方法，其特征在于，所述获取待处理的人体图像信息，通过所述人体姿态估计模型中的人体特征处理网络结构对所述待处理的人体图像信息进行特征提取，获得人体特征，包括：

获取待处理的人体图像信息，对所述待处理的人体图像信息进行尺寸大小转换处理并进行归一化处理，获得尺寸大小为368*368*3的人体特征图；

通过所述人体姿态估计模型中所述人体特征处理网络结构的网络输入层，将所述尺寸大小为368*368*3的人体特征图输入到所述茎网络层Stem中；

通过所述第一特征拼接层、所述第二特征拼接层和所述第三特征拼接层对所述尺寸大小为368*368*3的人体特征图进行卷积处理、池化处理和特征拼接处理，获得尺寸大小为46*46*384的人体特征图；

通过所述初始网络层Inception-A对所述尺寸大小为46*46*384的人体特征图进行卷积处理、均值池化处理和特征拼接处理，获得人体特征。

4.根据权利要求3所述的人体姿势估计方法，其特征在于，所述通过所述第一特征拼接层、所述第二特征拼接层和所述第三特征拼接层对所述尺寸大小为368*368*3的人体特征图进行卷积处理、池化处理和特征拼接处理，获得尺寸大小为46*46*384的人体特征图，包括：

通过所述第一特征拼接层对所述大小为368*368*3的人体特征图分别进行第一预设卷积处理和第一预设池化处理，获得第一卷积特征和第一池化特征，对所述第一卷积特征和所述第一池化特征进行特征拼接处理，获得尺寸大小为92*92*160的人体特征图；

通过所述第二特征拼接层对所述尺寸大小为92*92*160的人体特征图分别进行第二预设卷积处理和第三预设卷积处理，获得第二卷积特征和第三卷积特征，对所述第二卷积特征和所述第三卷积特征进行特征拼接处理，获得尺寸大小为92*92*192的人体特征图；

通过所述第三特征拼接层对所述尺寸大小为92*92*192的人体特征图分别进行第四预设卷积处理和第二预设池化处理，获得第四卷积特征和第二池化特征，对所述第四卷积特征和所述第二池化特征进行特征拼接处理，获得尺寸大小为46*46*384的人体特征图。