[发明专利]模型训练方法、人体姿态检测方法、装置、设备及介质

说明书

本发明实施例公开了模型训练方法、人体姿态检测方法、装置、设备及介质，该训练方法包括：将当前迭代下对应的图像训练样本输入至当前的姿态检测网络模型，并根据图像训练样本的数据形式，得到当前迭代下对应的第一损失函数；根据获得的相机参数对姿态检测网络模型的当前输出结果进行重投影处理，并基于重投影处理结果得到当前迭代下对应的第二损失函数；基于通过第一损失函数及第二损失函数形成的拟合损失函数，对姿态检测网络模型进行反向传播，得到用于下一迭代的姿态检测网络模型。利用该方法，降低了训练样本的采集难度，保证了网络训练的易实现性，同时，在图像域上完成整个模型训练，更有利于模型训练的稳定和快速收敛。

技术领域

本发明实施例涉及空间位置检测技术领域，尤其涉及模型训练方法、人体姿态检测方法、装置、设备及介质。

背景技术

随着人工智能技术的快速发展，人工神经网络得到了广泛的应用。人工神经网络又称神经网络，是一种模拟大脑神经突触联接的结构进行信息处理的模型。在三维空间位置检测领域，利用神经网络技术可以构建用于人体三维姿态检测的姿态估计神经网络模型。

对于人体三维姿态的检测，已经成为计算机视觉领域中一类重要的问题，该类技术可认为是计算机理解人类行为的基础。其在人机交互、影视特效、互动娱乐等领域有广泛的应用前景。一般的，人体姿态检测相当于从包含人体的图像中检测出人体关键点，并获得各人体关键点的三维空间位置坐标

但是现有所采用进行人体三维姿态检测的姿态检测神经网络模型存在下述问题：1)由于目前业内缺乏有效的自然场景三维人体标注手段，导致目前缺乏高质量的无约束场景标注数据；2)模型具备收敛困难的问题。从而导致基于现有姿态检测神经网络模型无法实现自然场景下人体三维姿态的精准检测。

发明内容

本发明实施例提供了模型训练方法、人体姿态检测方法、装置、设备及介质，实现了人体姿态检测所需网络模型的有效训练，保证了人体姿态检测结果的精准度。

第一方面，本发明实施例提供了一种模型训练方法，该方法包括：

将当前迭代下对应的图像训练样本输入至当前的姿态检测网络模型，并根据所述图像训练样本的数据形式，得到所述当前迭代下对应的第一损失函数；

根据获得的相机参数对所述姿态检测网络模型的当前输出结果进行重投影处理，并基于重投影处理结果得到所述当前迭代下对应的第二损失函数；

基于通过所述第一损失函数及所述第二损失函数形成的拟合损失函数，对所述姿态检测网络模型进行反向传播，得到用于下一迭代的姿态检测网络模型，进入下一迭代直至满足迭代结束条件，以实现对姿态检测网络模型的训练。

第二方面，本发明实施例提供了一种人体姿态检测方法，该方法包括：

获取待检测的人物实景图像；

将所述人物实景图像输入至预设姿态检测网络模型中，其中，所述预设姿态检测网络模型采用上述第一方面实施例所提供的方法训练得到；

根据所述预设姿态检测网络模型的输出结果，对所述人物实景图像的人物进行人体姿态检测，获得所述人物各关键点的三维空间位置坐标。

第三方面，本发明实施例提供了一种模型训练装置，该装置包括：

第一信息确定模块，用于将当前迭代下对应的图像训练样本输入至当前的姿态检测网络模型，并根据所述图像训练样本的数据形式，得到所述当前迭代下对应的第一损失函数；

第二信息确定模块，用于根据获得的相机参数对所述姿态检测网络模型的当前输出结果进行重投影处理，并基于重投影处理结果得到所述当前迭代下对应的第二损失函数；