[发明专利]一种基于多尺度特征的人体图像解析方法

权利要求书

1.一种基于多尺度特征的人体图像解析方法，其特征在于，包括如下步骤：

步骤1，对人体图片进行下采样

首先改进ResNet残差网络，使其适用于人体解析任务，然后将输入人体图像的大小调整为128×128，使其适用于改进的ResNet，并输出人体特征图；

步骤2，对人体图片进行上采样

使用双线性插值和通道压缩不断对人体特征图进行上采样，最终恢复至原始尺寸；

步骤3，多尺度特征融合人体高阶和低阶特征

对于步骤1和步骤2中每一步产生的人体特征图，在不改变特征图尺寸的前提下，使用不同倍率的空洞卷积将低阶特征和高阶特征融合。

2.根据权利要求1所述的基于多尺度特征的人体图像解析方法，其特征在于，所述步骤1根据公式(1)，输出为16×16×512的人体特征图：

其中，M为输出的尺寸，N是原始图像的尺寸，P是填充个数，F是卷积核尺寸，S是卷积步长。

3.根据权利要求1所述的基于多尺度特征的人体图像解析方法，其特征在于，所述步骤2包括如下子步骤：

子步骤2-1，使用双线性插值增加人体特征图的尺寸

在特征图中取4个点P₁₁＝(x₁,y₁)、P₁₂＝(x₁,y₂)、P₂₁＝(x₂,y₁)、P₂₂＝(x₂,y₂)；然后根据公式(2)和公式(3)在x方向上进行线性插值：

其中f为未知函数，f(P₁₁)、f(P₁₂)、f(P₂₁)、f(P₂₂)为函数f在四个点处已知的值，Q₁＝(x,y₁)，Q₂＝(x,y₂)；随后根据公式(4)在y方向上进行线性插值：

其中T＝(x,y)是待求值的坐标点，f(T)为待求的值；使用双线性插值算法在解码器的每一层将特征图尺寸上采样两倍，通道数不变；

子步骤2-2，通道压缩

首先使用1×1的卷积来压缩人体特征图的通道；然后根据公式(5)，在1×1卷积之后添加一个基于标准差的矩阵即批归一化模块；最后根据公式(6)，在批归一化模块后添加ReLU激活函数：

f(x)＝max(0,w^Tx+b) (6)。

4.根据权利要求1所述的基于多尺度特征的人体图像解析方法，其特征在于，所述步骤3包括如下子步骤：

子步骤3-1，多尺度空洞卷积

多尺度空洞卷积共有4个平行的卷积层，输入H×W×C的特征图，先经过1×1的卷积，输出大小为H×W×C的特征图；其余3个卷积层是不同空洞率的空洞卷积层；并且根据公式(7)，当卷积填充的像素数和空洞率相同时，卷积后的特征图尺寸不变，因此都输出H×W×C的特征图：

其中o为输出的特征图尺寸，i为输入的特征图尺寸，p为卷积填充的像素数，k为卷积核的大小，r为空洞率，s是卷积步长；

子步骤3-2，采用按位相加和拼接两种特征融合方式进行特征融合

首先将上一步骤输出的4个H×W×C的特征图按位相加，生成一个大小仍为H×W×C的特征图；然后采用拼接的方式将这5个大小相同的特征图进行特征融合，输出一个H×W×5C的特征图；

子步骤3-3，通道压缩

首先使用1×1的卷积来压缩人体特征图的通道，将特征图从H×W×5C压缩成H×W×C大小；在1×1卷积之后添加一个批归一化模块；最后在批归一化模块后添加ReLU激活函数。