[发明专利]人体姿态估计方法、电子设备及存储介质

说明书

本申请是关于一种人体姿态估计方法、电子设备及存储介质，通过采集行人姿态的图像，并对行人姿态的图像进行预处理，形成训练集；构建行人姿态估计网络模型，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；采用训练集的图像对行人姿态估计网络模型进行训练，优化行人姿态估计网络模型的网络参数；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，以此使得行人姿态估计网络模型实现轻量化，大大减少人体姿态估计算法的运算耗时，提升服务机器人与服务对象之间的行为交互能力。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种人体姿态估计方法、电子设备及存储介质。

背景技术

人体姿态估计是一种检测目标图片中人体关键点的方法，根据检测到的关节点连接成人体骨架，可以进一步理解到目标人的行为状态。在服务机器人领域，机器人不仅要有周围人群的感知能力，还要对服务人群的行为认知能力，如挥手，站立，行走等。这些肢体语言的认知能力，离不开人体姿态估计算法对人体的精确建模，将人体的关键点准确识别是提升机器人服务质量的关键。通常，人体体态估计算法依赖于上游的行人识别模块，待行人识别模块定位到行人后，人体姿态估计算法再进一步的估计人体关键点。现有的算法是一种二阶段的冗余结构，在资源有限的机器人设备上很难落地。

发明内容

为克服相关技术中存在的问题，本申请提供一种人体姿态估计方法、电子设备及存储介质，旨在提供一种轻量化的人体姿态估计网络，大大减少人体姿态估计算法的运算耗时，提升服务机器人与服务对象之间的行为交互能力。

本申请解决上述技术问题的技术方案如下：一种人体姿态估计方法，应用于服务机器人，其包括以下步骤：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。

优选的，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。

优选的，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。