[发明专利]一种人体姿态骨节点和手部mask掩码识别方法

权利要求书

1.一种人体姿态骨节点和手部mask掩码识别方法，其特征在于：实时获取按压图像，并将按压图像传送至主干网络，按压图像经过主干网络传送后送至FPN架构中，FPN输出为高分辨率特征图；FPN输出两个分支，一个为Mask Feature 分支，另一个为掩码分支，将MaskFeature 分支和Mask kernel分支进行运算，得到目标掩码输出，其中，目标掩码采用solov2模型，solov2模型的一个输入为mask feature与FPN的最高分辨率的进行热力图的输出。

2.根据权利要求1所述的人体姿态骨节点和手部mask掩码识别方法，其特征在于：将FPN的P2到P5层依次经过3×3卷积、组归一化处理、线性整流函数处理、2个双线性插值处理后，统一到原按压图像的1/4尺寸，然后再将缩小后的图像的对应元素逐个相乘，然后再依次经过1×1卷积、组归一化处理、线性整流函数处理后，得到Mask Feature 分支；MaskFeature分支再经过上采样和1×1卷积，输出为H×W×J的特征图Feature map，其中J为人体关节点点数，与FPN输出的最高分辨率的feature map进行对应元素逐个相乘，作为热力图，来预测人体关键点的位置。

3.根据权利要求1所述的人体姿态骨节点和手部mask掩码识别方法，其特征在于：对于掩码分支，用来学习卷积核，即分类器的权重，这里输入为H×W×E的特征E，其中E是输入特征的通道数；输出为卷积核S×S×D，其中S是划分的网格数目，D是卷积核的通道数；对应关系如下：对于1×1×E的卷积核，则D=E；对于3×3×E的卷积核，则D=9E。

4.根据权利要求1所述的人体姿态骨节点和手部mask掩码识别方法，其特征在于：加权的损失函数L_total，最终的损失函数为：

其中与为网络学习的参数。