人體姿態(tài)估計由于不同外觀、性別、衣物、遮擋、背景和光照條件的不確定性和復雜性,往往會給姿態(tài)估計預測帶來一定困難。如何有效處理不同條件影響,并在此基礎上設計出有效的人體姿態(tài)估計方法,本文研究了基于深度學習的人體姿態(tài)估計的技術。首先,對于人體難檢測部位,采用改善的多尺度特征和多尺寸卷積核,本文提出了一種基于特征金字塔的坐標變換網絡。先網絡對圖片提取不同維度和不同分辨率的特征,解決環(huán)境干擾問題,再對遮擋嚴重的部位和其他難樣例則增大網絡局部區(qū)域的卷積核,并挖掘難樣本并貢獻網絡損失,之后將姿態(tài)點定位轉為高斯熱點圖定位的過程,預測的高斯熱點圖轉為坐標,實現端到端訓練的過程。實驗結果表明,改善的特征有助于識別難檢測部位,且網絡計算量較少。其次,針對人體關鍵點之間非歐幾里得的空間結構關系,本文提出了一種基于圖卷積神經網絡的人體姿態(tài)估計的方法,來提高人體姿態(tài)估計的精度。該方法輸入的數據結構為時空圖結構,由單人姿態(tài)點為節(jié)點,節(jié)點之間連接為邊,組成單幀的圖結構。該數據結構是對某個節(jié)點仿射變換后的時空圖結構,輸入圖神經網絡分類節(jié)點所在的區(qū)域,結合關鍵點偏差計算為坐標。實驗結果表明,該網絡具有改善檢測性能的效果... 

【文章來源】：江西理工大學江西省

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

在網絡不同前端網絡

第三章基于特征金字塔的坐標變換網絡35圖3.10在網絡識別關鍵點流程圖3.6.2目標函數預測模塊1的損失函數采用均方誤差（Mean-SquareError，MSE），作為前端網絡的損失函數，如下公式：N2111=2kFNiiniSS(3.16)其中，N為行人樣本數，kS為高斯熱點圖的標簽值如果公式（3.15）無約束，導致網絡輸出亮點形狀與標簽值相比偏差較大的高斯熱點圖。前端網絡用于粗取關鍵點熱點圖，可不考慮正則項。而后端網絡主要檢測較難關鍵點，如果僅通過轉換坐標層得到的坐標貢獻損失，網絡可能會學出偏大偏小方差的熱點圖。后端網絡損失用先驗解決該問題，即對高斯熱點圖損失函數增加正則項，如下公式：CTL()+()BNkkzS(3.17)其中，正則項系數為1，CTL損失函數為CTL2()kkkkzzμ，坐標(x,y)經過均勻化處理后為向量[(2(1),(2(1)]kggggzxw)/wyh)/h，該網絡的熱點圖損失函數為()kS，"softmax()kSS。

比較不同模型的結果


本文編號：3066676