[发明专利]人体姿态估计方法、电子设备及存储介质

权利要求书

1.一种人体姿态估计方法，应用于服务机器人，其特征在于，包括以下步骤：

步骤1，采集行人姿态的图像，并对所述行人姿态的图像进行预处理，形成训练集；

步骤2，构建行人姿态估计网络模型，所述行人姿态估计网络模型包括基于DLA_Shufflenet的骨干网络、特征融合模块以及检测头模块；

步骤3，采用所述训练集的图像对所述行人姿态估计网络模型进行训练，优化所述行人姿态估计网络模型的网络参数；

步骤4，采集实时行人姿态图像，并基于训练完成的行人姿态估计网络模型对所述实时行人姿态图像中的人体中心点位置、中心点的偏移量和人体关键点偏移量进行检测。

2.根据权利要求1所述的人体姿态估计方法，其特征在于，所述骨干网络包括ShuffleUnit子模块，所述ShuffleUnit子模块的结构按计算单元处理顺序为：

通道分离器，用于将输入的特征图按照通道维度平均分为两个子分支；

第一卷积层采用标准卷积，卷积核大小为1*1；

第二卷积层采用深度可分离卷积，卷积核大小为3*3；

第三卷积层为标准卷积，卷积核大小为1*1；

串接器，用于将所述特征图的两个子分支重新串接在一起；

通道重组器，用于将所述串接器串接的特征图的两个子分支按照通道维度重新排列。

3.根据权利要求2所述的人体姿态估计方法，其特征在于，所述骨干网络的结构按计算单元处理顺序为：

第一卷积单元，所述第一卷积单元采用标准卷积，卷积核大小为3*3；

最大池化单元，用于对所述第一卷积单元的输出进行特征降维；

第一ShuffleUnit子模块，用于对所述最大池化单元的输出进行特征提取；

第二ShuffleUnit子模块，用于对所述第一ShuffleUnit子模块的输出进行特征提取；

第三ShuffleUnit子模块，用于对所述第二ShuffleUnit子模块的输出进行特征提取；

第四ShuffleUnit子模块，用于对所述第三ShuffleUnit子模块的输出进行特征提取；

第五ShuffleUnit子模块，用于对所述第四ShuffleUnit子模块的输出进行特征提取；

第六ShuffleUnit子模块，用于对所述第五ShuffleUnit子模块的输出进行特征提取；

第七ShuffleUnit子模块，用于对所述第六ShuffleUnit子模块的输出进行特征提取。

4.根据权利要求3所述的人体姿态估计方法，其特征在于，所述特征融合模块的结构按计算单元处理顺序为：

双线性上采样单元，用于对32倍下采样层的输出进行特征获取；

标准的卷积单元，卷积核大小为3*3，所述标准的卷积单元用于对所述双线性上采样单元的输出进行卷积；

串接单元，用于融合16倍下采样层的输出和32倍下采样层的输出；

转置卷积单元，用于输出最终融合特征。

5.根据权利要求4所述的人体姿态估计方法，其特征在于，所述第七ShuffleUnit子模块的输出与32倍下采样层的输入连接。

6.根据权利要求5所述的人体姿态估计方法，其特征在于，所述第三ShuffleUnit子模块的输出与16倍下采样层的输入连接。