[发明专利]一种多人体目标识别方法、系统、设备及介质

说明书

本发明公开了一种多人体目标识别方法、系统、设备及介质，该方法包括：获取待识别图像，并根据待识别图像通过下采样处理得到第一采样特征图；将第一采样特征图输入改进的HRNet神经网络模型，以得到目标特征图；其中，改进的HRNet神经网络模型至少包括三个阶段，每一个阶段包括四个对称耦合逐通道卷积模块，每一个对称耦合逐通道卷积模块包括两个1×1标准卷积核和两个3×3逐通道卷积核；根据目标特征图进行反卷积处理，以得到目标识别图像。本发明基于改进的HRNet神经网络模型，通过提出新的对称耦合逐通道卷积模块对图像进行处理，并且设置了三个阶段以减少计算量。能够在保持图像识别精度的同时，有效地减少了姿态识别神经网络模型的计算量。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种多人体目标识别方法、系统、设备及介质。

背景技术

相关技术中，人体姿态识别指对传感器捕捉的人体信息(一般为图片)中的人体骨骼关键点(例如头部，关节等)位置进行预测。通过设计深度神经网络，对深度神经网络训练，训练后的神经网络具有处理传感器捕捉的人体信息的能力，输出预测的人体骨骼关键点。人体姿态识别的深度学习方法普遍依赖复杂的神经网络，需要性能强大的GPU设备以达到实时性的应用要求，难以在移动端等物联网设备上运行，给人工智能的应用落地带来了很大挑战。因此，面向移动端的轻量级姿态识别神经网络技术是迫切需求的。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种多人体目标识别方法、系统、设备及介质，能够在提高图像识别精度的同时，有效地减少了姿态识别神经网络模型的计算量。

根据本发明的第一方面实施例的一种多人体目标识别方法，包括：

获取待识别图像，并根据所述待识别图像通过下采样处理得到第一采样特征图；

将所述第一采样特征图输入改进的HRNet神经网络模型，以得到目标特征图；其中，所述改进的HRNet神经网络模型至少包括三个阶段，每一个阶段包括四个对称耦合逐通道卷积模块，四个所述对称耦合逐通道卷积模块依次连接，每一个所述对称耦合逐通道卷积模块包括两个1×1标准卷积核和两个3×3逐通道卷积核，其中，第一个1×1标准卷积核、第一个3×3逐通道卷积核、第二个3×3逐通道卷积核和第二个1×1标准卷积核依次连接；其中，根据每一个所述对称耦合逐通道卷积模块对输入的特征图进行卷积处理，包括：

将输入的特征图输入所述第一个1×1标准卷积核，以得到第一通道特征图，其中，所述输入的特征图是指输入进每一个所述对称耦合逐通道卷积模块的特征图；

将所述第一通道特征图输入所述第一个3×3逐通道卷积核，将得到的输出特征图输入所述第二个3×3逐通道卷积核，以得到第二通道特征图；

根据所述第一通道特征图和所述第二通道特征图进行特征融合处理，以得到第三通道特征图；

将所述第三通道特征图输入所述第二个1×1标准卷积核，以得到第四通道特征图；

将所述第四通道特征图与所述输入的特征图进行特征融合处理，以得到每一个所述对称耦合逐通道卷积模块的输出特征图；

根据所述目标特征图进行反卷积处理，以得到目标识别图像。

根据本发明实施例的一种多人体目标识别方法，至少具有如下有益效果：基于改进的HRNet神经网络模型，通过对称耦合逐通道卷积模块对图像进行处理，并且设置了三个阶段以减少计算量。能够在保持图像识别精度的同时，有效地减少了姿态识别神经网络模型的计算量，实现了可用于智能手机等计算资源有限的移动设备上的实时多人人体姿态识别。

根据本发明的一些实施例，所述将所述第一采样特征图输入改进的HRNet神经网络模型，以得到目标特征图，包括：