[发明专利]一种人体姿态骨节点和手部mask掩码识别方法

说明书

一种人体姿态骨节点和手部mask掩码识别方法，实时获取按压图像，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Mask Feature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。本发明采用分割任务，一个用来预测人体关键点的位置；一个用来学习分类器的权重，这样，能准确识别人体骨节点和手部mask掩码，节省时间，且准确率较高。

技术领域

本发明涉及一种改进型算法，具体涉及一种人体姿态骨节点和手部mask掩码识别方法。

背景技术

心脏骤停严重威胁人们的生命健康，开展优质的心肺复苏(CPR,cardiopulmonaryresuscitation)可显著提升患者存活率，同时也是挽救患者生命的重要手段。美国心脏协会(AHA,American Heart Association)和国际复苏联络委员会(ILCOR,InternationalLiaision Committee on Resuscitation)将高质量的心肺复苏术作为复苏的核心[1]。目前常规的心肺复苏训练、考核方式为应用医学模拟人并由裁判打分评判。这样做存在几个弊端，比如考官评判主观性强，不够客观；在考核评判过程中考生具体的按压深度、频率等均依赖模拟人本身的质量条件，考官很难评判；训练过程中学员需要考官时时监督配合来纠正和提高自身的操作，大量消耗培训和考核的人力成本等等。

现有技术在获取了考生的按压图像之后，由于按压动作是一个动态过程，无法根据按压图像判断考生按压姿态是否合格，这就给自动评判带来了困难。

发明内容

本发明要解决的技术问题是：提供一种人体姿态骨节点和手部mask掩码识别方法。

为解决上述技术问题，本发明采用以下技术方案：

一种人体姿态骨节点和手部mask掩码识别方法，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(feature map)；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。

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(ReLU)处理后，得到 MaskFeature分支；Mask Feature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。

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。

加权的损失函数L_total，最终的损失函数为：

L_total＝λ₁L₁(w)+λ₁L₂(w)-log(λ₁λ₂)

其中λ₁与λ₂为网络学习的参数。