[发明专利]一种自适应数据增强的二维人体姿态估计方法和系统

权利要求书

1.一种自适应数据增强的二维人体姿态估计方法，其特征在于，包括：

S1.构建姿态估计网络，并进行预训练得到姿态估计网络预训练模型；

步骤S1具体包括：

从数据集接口中获取每张图像中每个人体的关节点位置信息，根据关节点位置信息计算每个人体的归一化距离，并利用高斯分布将每个人体的关节点位置信息转换成概率图；

对数据集中的图像进行裁剪，重塑数据尺寸，使样本数据为统一大小；

对统一大小的数据进行常规数据增强后，输入姿态估计网络进行预训练；

S2.构建数据增强模块，并进行预训练得到数据增强模块的预训练模型；所述数据增强模块的输入为姿态估计网络不同尺度的层间特征图，输出为数据增强操作的概率分布；对数据增强模块进行预训练，具体包括：

从m个有界高斯分布中采样，对应的采样概率为{p₁,p₂,…,p_m}，满足m表示设定的常数；

对每一个训练样本，根据采样结果进行数据增强操作，得到m个新的训练样本；

将m个新的训练样本输入到姿态估计网络的预训练模型中计算相应的损失函数；损失函数的值{l₁,l₂,…,l_m}表征对应采样结果进行数据增强操作生成的样本对于姿态估计网络学习的难易程度，损失函数的值越大，表明样本越难学习；

将m个样本对应的损失函数值{l₁,l₂,…,l_m}进行归一化，得到相应的归一化损失函数值{l₁′,l₂′,…,l_m′}，使其满足

将{l₁′,l₂′,…,l_m′}作为联合优化阶段数据增强模块的监督值；

S3.以数据增强模块为生成器，以姿态估计网络作为判别器，采用奖励惩罚措施对数据增强模块与姿态估计网络进行联合优化；其中，姿态估计网络预训练模型和数据增强模块的预训练模型作为联合优化的初始值；所述姿态估计网络根据数据增强模块生成的概率分布实施自适应的数据增强操作；

S4.采用训练好的姿态估计网络实现人体姿态估计。

2.根据权利要求1所述的一种自适应数据增强的二维人体姿态估计方法，其特征在于，数据增强模块包括：跨阶段瓶颈模块、池化层和全连接层；

数据增强模块对姿态估计网络不同尺度的层间特征图进行融合，融合后的特征图输入全连接层得到概率分布，在数据送入姿态估计网络进行训练之前，数据要根据此概率分布进行自适应的数据增强操作；其中，每两个相邻的层间特征图融合过程为：尺度较大的特征图通过跨阶段瓶颈模块提取特征后，通过池化层进行下采样，再与尺度较小的特征图经过跨阶段瓶颈模块提取得到的特征进行融合。

3.根据权利要求2所述的一种自适应数据增强的二维人体姿态估计方法，其特征在于，数据增强模块使用的损失函数为KL散度损失函数L_KL：

其中，N为样本数量，P_i为第i个样本标签生成的概率分布，为数据增强模块输出的概率分布预测值。

4.根据权利要求1-3任一项所述的一种自适应数据增强的二维人体姿态估计方法，其特征在于，采用奖励惩罚措施对数据增强模块与姿态估计网络进行联合优化，具体包括：

将同一张数据样本分别做常规数据增强操作和根据数据增强模块输出的概率分布进行采样得到的自适应数据增强操作；

若实施常规数据增强操作的样本输入姿态估计网络后计算出的损失函数的数值大于根据数据增强模块输出的概率分布实施自适应数据增强操作后的样本输入姿态估计网络后计算出的损失函数的数值，则惩罚，即减小数据增强模块输出的概率分布的取值；反之，若实施常规数据增强操作的样本输入姿态估计网络后计算出的损失函数的数值小于根据数据增强模块输出的概率分布实施自适应数据增强操作后的样本输入姿态估计网络后计算出的损失函数的数值，则奖励，即增大数据增强模块输出的概率分布的取值。