[发明专利]基于自适应感受野网络和关节点损失权重的姿态估计方法

权利要求书

1.基于自适应感受野网络和关节点损失权重的姿态估计方法，其特征在于：包括如下步骤：

步骤S10、基于自适应感受野单元搭建自适应感受野网络；

步骤S20、利用样本图像对所述自适应感受野网络进行训练；

步骤S30、在训练所述自适应感受野网络时，计算得到所述样本图像包含的关节点以及各关节点的损失值；

步骤S40、基于各关节点的所述损失值计算各关节点的损失权重；

步骤S50、基于所述损失权重以及损失值计算得到最终损失值，基于所述最终损失值优化自适应感受野网络；

步骤S60、将待测图像输入训练好的所述自适应感受野网络，计算关节点的位置并形成完整的人体姿态；

所述步骤S30具体包括：

步骤S31、获取数据集中的样本图像，将所述样本图像调整为大小为256×256的RGB图像后，输入搭建好的所述自适应感受野网络；

步骤S32、通过所述自适应感受野网络获取RGB图像中关节点的位置热图；

步骤S33、利用非极大值抑制算法查找所述位置热图中，各关节点的最大像素值位置；

步骤S34、以所述最大像素值位置为关节点位置的中心点，膨胀所述中心点生成半径为R个像素的圆，得到预测的关节点位置；

步骤S35、利用均方误差损失函数以及关节点位置计算得到各关节点的损失值：

其中M表示计算损失值；i表示人体的编号，j表示关节点的编号，且i和j均为正整数；P_i(p_j)表示第i个人，第j个关节点的预测值；为预测的关节点的热图，尺度为λ×64×64，λ表示关节点的个数；G_i(p_j)表示第i个人，第j个关节点的真值；G＝{g₁,K,g_λ}，为高斯激活生成的各人体部位对应的真值热图；

所述步骤S40中，所述损失权重的计算公式为：

其中W_i,j表示第i个人，第j个关节点的损失权重；P_i(p_j)表示第i个人，第j个关节点的预测值；为预测关节点的热图，尺度为λ×64×64，λ表示关节点的个数；G_i(p_j)表示第i个人，第j个关节点的真值；G＝{g₁,K,g_λ}，为高斯激活生成的各人体部位对应的真值热图；

所述步骤S50中，所述最终损失值的计算公式为：

2.如权利要求1所述的基于自适应感受野网络和关节点损失权重的姿态估计方法，其特征在于：所述步骤S10具体包括：

步骤S11、创建一大小为7×7的卷积核，用于提取图像特征并改变图像的通道数；

步骤S12、在所述卷积核的输出端，依次设置若干个自适应感受野单元；

步骤S13、在最后一个所述自适应感受野单元的输出端，依次设置若干个转置卷积核组成转置卷积层，最后一个所述转置卷积核输出的特征图分辨率与第一个所述自适应感受野单元输出的特征图分辨率一致，完成自适应感受野网络的搭建。

3.如权利要求1所述的基于自适应感受野网络和关节点损失权重的姿态估计方法，其特征在于：所述步骤S60具体包括：

步骤S61、获取待测图像，将所述待测图像调整为大小为256×256的RGB图像后，输入训练好的所述自适应感受野网络中；

步骤S62、通过所述自适应感受野网络获取RGB图像中关节点的位置热图；

步骤S63、利用非极大值抑制算法查找所述位置热图中，各关节点的最大像素值位置；

步骤S64、以所述最大像素值位置为关节点位置的中心点，膨胀所述中心点生成半径为R个像素的圆，得到预测的关节点位置；

步骤S65、基于预先标定各关节点的序号以及预测的关节点位置，依次连接各关节点形成完整的人体姿态。