人體姿態(tài)估計(jì)主要是通過圖像分析手段提取人體的關(guān)節(jié)點(diǎn)定位信息的過程,作為計(jì)算機(jī)視覺領(lǐng)域的基礎(chǔ)研究之一,在人機(jī)交互、智能監(jiān)控、姿態(tài)分析等領(lǐng)域具有重要的應(yīng)用價(jià)值,例如通過人體姿態(tài)估計(jì)能夠有效幫助解決現(xiàn)實(shí)生活中諸如養(yǎng)老看護(hù)和城市安防領(lǐng)域的人員監(jiān)控問題,極大地保障廣大群眾的人身安全。近年來,隨著計(jì)算機(jī)硬件能力的提升和深度學(xué)習(xí)等相關(guān)理論的發(fā)展,越來越多的研究者開始嘗試基于卷積神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)估計(jì)方法并取得了較大的進(jìn)展。然而,由于現(xiàn)實(shí)生活中人體姿態(tài)的復(fù)雜性,目前的人體姿態(tài)估計(jì)仍然存在著一些需要解決的問題,如人體關(guān)節(jié)點(diǎn)受遮擋、復(fù)雜背景影響、人體視角多變等造成的生成人體姿態(tài)不合理以及部分困難關(guān)節(jié)點(diǎn)檢測不佳問題,此外,絕大部分方法在提高關(guān)節(jié)點(diǎn)檢測精度的同時(shí),往往忽略了模型的運(yùn)算量對人體姿態(tài)估計(jì)方法實(shí)用性的影響。針對以上問題,本文進(jìn)行了相應(yīng)的研究。（1）針對目前常見的人體姿態(tài)估計(jì)方法存在的生成人體姿態(tài)不合理的問題,受到生成對抗網(wǎng)絡(luò)通過對抗學(xué)習(xí)拉近生成數(shù)據(jù)與真值標(biāo)簽之間的分布距離,進(jìn)而提高生成器數(shù)據(jù)生成表現(xiàn)能力的啟發(fā),本文對比研究了基于不同生成對抗網(wǎng)絡(luò)結(jié)構(gòu)的人體姿態(tài)估計(jì)方法,通過對抗學(xué)習(xí)策略引導(dǎo)人體姿態(tài)估計(jì)... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【部分圖文】：

DeepPose網(wǎng)絡(luò)結(jié)構(gòu)

2人體姿態(tài)估計(jì)相關(guān)理論21并且不需要額外人工生成關(guān)節(jié)點(diǎn)的真值熱力圖。圖2-13基于熱圖聚合的坐標(biāo)回歸網(wǎng)絡(luò)Figure2-13CoordinateregressionnetworkbasedonheatmapaggregationCarreira[7]等人設(shè)計(jì)了一種基于迭代誤差反饋的人體姿態(tài)估計(jì)模型實(shí)現(xiàn)關(guān)節(jié)點(diǎn)的回歸與優(yōu)化，該方法對輸入與輸出空間中的結(jié)構(gòu)信息建模，模型并不直接輸出目標(biāo)關(guān)節(jié)點(diǎn)坐標(biāo)，而是在前饋過程中預(yù)測當(dāng)前的坐標(biāo)估計(jì)偏差并反饋迭代修正預(yù)測值從而實(shí)現(xiàn)坐標(biāo)的優(yōu)化調(diào)整。圖2-14基于迭代誤差反饋的人體姿態(tài)估計(jì)模型Figure2-14Humanposeestimationmodelbasedoniterativeerrorfeedback模型訓(xùn)練分為多個(gè)階段，首先通過預(yù)先設(shè)計(jì)好的關(guān)節(jié)點(diǎn)誤差公式(,)teyy和已知初始關(guān)節(jié)點(diǎn)坐標(biāo)0y和真值關(guān)節(jié)點(diǎn)坐標(biāo)y計(jì)算得到每個(gè)階段的輸入關(guān)節(jié)點(diǎn)坐標(biāo)信息123(y,y,y,...)，然后將每個(gè)階段得到的輸入關(guān)節(jié)點(diǎn)坐標(biāo)通過映射函數(shù)g()處理，實(shí)現(xiàn)輸入關(guān)節(jié)點(diǎn)坐標(biāo)到關(guān)節(jié)點(diǎn)熱圖的映射，并與原始圖片拼接后一同輸入模型f()中，最終生成相應(yīng)的關(guān)節(jié)點(diǎn)坐標(biāo)偏差。通過計(jì)算并反向傳播每個(gè)階段每輪迭代生成的關(guān)節(jié)點(diǎn)偏差與預(yù)先設(shè)定好的關(guān)節(jié)點(diǎn)誤差之間的損失函數(shù)，模型最終將會學(xué)習(xí)到輸入關(guān)節(jié)點(diǎn)與真實(shí)關(guān)節(jié)點(diǎn)之間誤差信息。每個(gè)階段中，關(guān)節(jié)點(diǎn)優(yōu)化回歸固定一小步（約為20個(gè)像素），當(dāng)關(guān)節(jié)點(diǎn)坐標(biāo)接近真實(shí)坐標(biāo)時(shí)，優(yōu)化偏差將變?yōu)橹捌畹目s放量進(jìn)而實(shí)現(xiàn)更為精細(xì)的關(guān)節(jié)點(diǎn)坐標(biāo)調(diào)整。相較于傳統(tǒng)的多階段回歸關(guān)節(jié)點(diǎn)坐標(biāo)的方法，如DeepPose[6]等，這種分步回歸的方法每次選取總誤差的一部分作為本階段的迭代目標(biāo)，使得網(wǎng)絡(luò)能夠更加精細(xì)的逼近短程坐標(biāo)。在測試階段，模型仍然需要通過多階段回歸得到最終的關(guān)節(jié)點(diǎn)預(yù)測結(jié)果，首先設(shè)定一個(gè)初始的關(guān)節(jié)點(diǎn)坐標(biāo)，將其轉(zhuǎn)換為關(guān)節(jié)點(diǎn)熱圖后與原始圖片拼接送入訓(xùn)

2人體姿態(tài)估計(jì)相關(guān)理論21并且不需要額外人工生成關(guān)節(jié)點(diǎn)的真值熱力圖。圖2-13基于熱圖聚合的坐標(biāo)回歸網(wǎng)絡(luò)Figure2-13CoordinateregressionnetworkbasedonheatmapaggregationCarreira[7]等人設(shè)計(jì)了一種基于迭代誤差反饋的人體姿態(tài)估計(jì)模型實(shí)現(xiàn)關(guān)節(jié)點(diǎn)的回歸與優(yōu)化，該方法對輸入與輸出空間中的結(jié)構(gòu)信息建模，模型并不直接輸出目標(biāo)關(guān)節(jié)點(diǎn)坐標(biāo)，而是在前饋過程中預(yù)測當(dāng)前的坐標(biāo)估計(jì)偏差并反饋迭代修正預(yù)測值從而實(shí)現(xiàn)坐標(biāo)的優(yōu)化調(diào)整。圖2-14基于迭代誤差反饋的人體姿態(tài)估計(jì)模型Figure2-14Humanposeestimationmodelbasedoniterativeerrorfeedback模型訓(xùn)練分為多個(gè)階段，首先通過預(yù)先設(shè)計(jì)好的關(guān)節(jié)點(diǎn)誤差公式(,)teyy和已知初始關(guān)節(jié)點(diǎn)坐標(biāo)0y和真值關(guān)節(jié)點(diǎn)坐標(biāo)y計(jì)算得到每個(gè)階段的輸入關(guān)節(jié)點(diǎn)坐標(biāo)信息123(y,y,y,...)，然后將每個(gè)階段得到的輸入關(guān)節(jié)點(diǎn)坐標(biāo)通過映射函數(shù)g()處理，實(shí)現(xiàn)輸入關(guān)節(jié)點(diǎn)坐標(biāo)到關(guān)節(jié)點(diǎn)熱圖的映射，并與原始圖片拼接后一同輸入模型f()中，最終生成相應(yīng)的關(guān)節(jié)點(diǎn)坐標(biāo)偏差。通過計(jì)算并反向傳播每個(gè)階段每輪迭代生成的關(guān)節(jié)點(diǎn)偏差與預(yù)先設(shè)定好的關(guān)節(jié)點(diǎn)誤差之間的損失函數(shù)，模型最終將會學(xué)習(xí)到輸入關(guān)節(jié)點(diǎn)與真實(shí)關(guān)節(jié)點(diǎn)之間誤差信息。每個(gè)階段中，關(guān)節(jié)點(diǎn)優(yōu)化回歸固定一小步（約為20個(gè)像素），當(dāng)關(guān)節(jié)點(diǎn)坐標(biāo)接近真實(shí)坐標(biāo)時(shí)，優(yōu)化偏差將變?yōu)橹捌畹目s放量進(jìn)而實(shí)現(xiàn)更為精細(xì)的關(guān)節(jié)點(diǎn)坐標(biāo)調(diào)整。相較于傳統(tǒng)的多階段回歸關(guān)節(jié)點(diǎn)坐標(biāo)的方法，如DeepPose[6]等，這種分步回歸的方法每次選取總誤差的一部分作為本階段的迭代目標(biāo)，使得網(wǎng)絡(luò)能夠更加精細(xì)的逼近短程坐標(biāo)。在測試階段，模型仍然需要通過多階段回歸得到最終的關(guān)節(jié)點(diǎn)預(yù)測結(jié)果，首先設(shè)定一個(gè)初始的關(guān)節(jié)點(diǎn)坐標(biāo)，將其轉(zhuǎn)換為關(guān)節(jié)點(diǎn)熱圖后與原始圖片拼接送入訓(xùn)

【參考文獻(xiàn)】：
期刊論文
[1]基于生成對抗網(wǎng)絡(luò)的視頻監(jiān)控圖像增強(qiáng)方法研究[J]. 郝韻.  公安海警學(xué)院學(xué)報(bào). 2019(06)
[2]基于生成對抗網(wǎng)絡(luò)的無人機(jī)圖像去模糊方法[J]. 裴慧坤,顏源,林國安,江萬壽.  地理空間信息. 2019(12)
[3]基于深度學(xué)習(xí)的人體姿態(tài)估計(jì)方法綜述[J]. 鄧益儂,羅健欣,金鳳林.  計(jì)算機(jī)工程與應(yīng)用. 2019(19)
[4]生成對抗網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用研究[J]. 高偉,郭永峰,徐德衡.  價(jià)值工程. 2019(22)
[5]基于生成對抗網(wǎng)絡(luò)的數(shù)字圖像修復(fù)技術(shù)[J]. 李雪瑾,李昕,徐艷杰.  電子測量與儀器學(xué)報(bào). 2019(01)
[6]基于生成對抗網(wǎng)絡(luò)的圖片風(fēng)格遷移[J]. 許哲豪,陳瑋.  軟件導(dǎo)刊. 2018(06)
[7]二維人體姿態(tài)估計(jì)研究進(jìn)展[J]. 韓貴金,沈建冬.  西安郵電大學(xué)學(xué)報(bào). 2017(04)
[8]一種基于圖結(jié)構(gòu)模型的人體姿態(tài)估計(jì)算法[J]. 韓貴金,朱虹.  計(jì)算機(jī)工程與應(yīng)用. 2013(14)



本文編號：3463223