[发明专利]一种抗遮挡的服饰关键点检测方法

摘要

本发明提出了一种抗遮挡的服饰关键点检测方法，包括金字塔网络的结构设计，空洞卷积模块的应用，和网络框架的训练与测试。本发明突破了手动设计特征与规则的限制，利用金字塔网络中的特征提取模块自动学习融合特征和规则，并且，应用空洞卷积模块进一步提高模型在服饰关键点检测上的稳定性。本发明检测的服饰关键点能很好的适应背景环境复杂以及遮挡的情况，显式的解决了困难关键点的检测问题，同时在训练与测试的复杂度和时间消耗上，有进一步优化。

主权项

1.一种抗遮挡的服饰关键点检测方法，其特征在于，包括下述步骤：构建改良后的金字塔深度模型，所述改良后的金字塔深度模型包括特征提取网络以及难点挖掘网络，所述特征提取网络包括五个模块的卷积神经网络，每一模块都由多个子模块组成，所述子模块结构由卷积模板为3×3的卷积层、批归一化层、激活函数为Leaky Relu的激活层、卷积模板为3×3的卷积层、批归一化层、激活函数为Leaky Relu的激活层构成，其输出的特征图和输入的特征图逐元素相加得到下一个模块的输入；所述难点挖掘网络为两个模块的卷积神经网络，每一模块均依次由卷积模板为1×1的卷积层、批归一化层、激活函数为Leaky Relu的激活层、卷积模板为3×3的反卷积层、批归一化层构成，激活函数为Leaky Relu的激活层、卷积模板为1×1的卷积层、批归一化层构成，其输出的特征图和输入在通道上合并得到下一个模块的输入；对改良后的金字塔深度模型进行训练，步骤如下：将服饰图像和对应坐标标签作为特征提取网络的输入，计算特征提取网络的损失函数并利用优化器对网络参数进行更新，得到特征提取网络参数；将得到的特征提取网络第四模块的输出作为难点挖掘网络的输入，计算难点挖掘网络损失函数并利用优化器对网络参数进行更新，得到难点挖掘网络参数；判别迭代结束条件，最后一次迭代过程求得的特征提取和难点挖掘网络的参数即为最终的网络参数；将服饰图像输入训练好的改良后的金字塔深度模型的特征提取网络中，通过关键点提取和难点挖掘技术，输出最终的服饰关键点。