[发明专利]一种基于深度学习的人体姿态识别方法及系统

权利要求书

1.一种基于深度学习的人体姿态识别方法，其特征在于，包括：

获取多幅带有人体姿态的参考图像；

对各所述参考图像进行人体姿态的标记，得到对应的参考标签；

根据各所述参考图像及对应的所述参考标签，进行建模，得到基于深度学习的姿态识别网络模型；

对待识别的人体行为进行拍照，得到待识别图像；

根据所述姿态识别网络模型和所述待识别图像，得到所述待识别图像中的人体姿态行为。

2.根据权利要求1所述的基于深度学习的人体姿态识别方法，其特征在于，所述对各所述参考图像进行人体姿态的标记，得到对应的参考标签，具体包括：

建立人体姿态的二维坐标系；

针对每一参考图像，对所述参考图像依次进行裁剪、填充、归一化处理，得到预处理图像；

基于所述二维坐标系，确定所述预处理图像中人体关节点的坐标；

根据各所述人体关节点的坐标，确定所述参考图像对应的人体姿态，所述参考图像对应的人体姿态为参考标签。

3.根据权利要求1所述的基于深度学习的人体姿态识别方法，其特征在于，所述根据各所述参考图像及对应的所述参考标签，进行建模，得到基于深度学习的姿态识别网络模型，具体包括：

针对每一参考图像，对所述参考图像依次进行裁剪、填充，得到处理图像；

根据所述处理图像进行特征提取，得到对应的H×L×D维度的特征图，各所述特征图由H×L×D个特征子图构成；

从各所述特征子图中进行特征提取，得到人体姿态的局部特征；

将各所述局部特征进行特征加权，得到人体姿态的全局特征；

对所述全局特征进行降维处理，得到降维特征；

对所述降维特征进行归一化处理，得到所述特征图对应的姿态特征；

根据各所述姿态特征及对应的所述参考标签，建立姿态识别网络模型；所述姿态识别网络模型包括依次连接的图像处理层、特征图提取基本卷积网络层、加权层、降维层及归一化层。

4.根据权利要求3所述的基于深度学习的人体姿态识别方法，其特征在于，所述根据各所述参考图像及对应的所述参考标签，进行建模，得到基于深度学习的姿态识别网络模型，还包括：

基于反向传播算法，计算对比损失值；

根据所述对比损失值，确定收敛的姿态识别网络模型的参数；

根据所述参数，修正所述姿态识别网络模型。

5.根据权利要求4所述的基于深度学习的人体姿态识别方法，其特征在于，所述基于反向传播算法，计算对比损失值，具体包括：

基于反向传播算法通过公式计算对比损失值；

其中，E表示对比损失函数，rep(p)表示参考图像p对应的姿态特征，rep′(p)表示参考图像p对应的参考标签，n表示全部参考图像。

6.一种基于深度学习的人体姿态识别系统，其特征在于，包括：

参考图像获取模块，用于获取多幅带有人体姿态的参考图像；

人体姿态标记模块，用于对各所述参考图像进行人体姿态的标记，得到对应的参考标签；

姿态识别网络模型建立模块，用于根据各所述参考图像及对应的所述参考标签，进行建模，得到基于深度学习的姿态识别网络模型；

人体行为拍照模块，用于对待识别的人体行为进行拍照，得到待识别图像；

人体姿态行为确定模块，用于根据所述姿态识别网络模型和所述待识别图像，得到所述待识别图像中的人体姿态行为。

7.根据权利要求6所述的基于深度学习的人体姿态识别系统，其特征在于，所述人体姿态标记模块，具体包括：

二维坐标系建立单元，用于建立人体姿态的二维坐标系；

预处理图像确定单元，用于针对每一参考图像，对所述参考图像依次进行裁剪、填充、归一化处理，得到预处理图像；

人体关节点坐标确定单元，用于基于所述二维坐标系，确定所述预处理图像中人体关节点的坐标；

参考标签确定单元，用于根据各所述人体关节点的坐标，确定所述参考图像对应的人体姿态，所述参考图像对应的人体姿态为参考标签。