CN110569719A - 一种动物头部姿态估计方法及系统 - Google Patents

一种动物头部姿态估计方法及系统 Download PDF

Info

Publication number
CN110569719A
CN110569719A CN201910698158.3A CN201910698158A CN110569719A CN 110569719 A CN110569719 A CN 110569719A CN 201910698158 A CN201910698158 A CN 201910698158A CN 110569719 A CN110569719 A CN 110569719A
Authority
CN
China
Prior art keywords
animal
detection frame
head
picture
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910698158.3A
Other languages
English (en)
Other versions
CN110569719B (zh
Inventor
黄章进
汪方军
贺翔翔
邹露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201910698158.3A priority Critical patent/CN110569719B/zh
Publication of CN110569719A publication Critical patent/CN110569719A/zh
Application granted granted Critical
Publication of CN110569719B publication Critical patent/CN110569719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种动物头部姿态估计方法及系统，方法包括：对动物图片进行目标检测处理，标记出动物图片上动物头部的第一检测框；根据第一检测框标记出动物头部的第二检测框，并记录第二检测框位置坐标，其中，第二检测框包含动物的整个头部；在第二检测框限定范围内，对动物头部进行特征提取，得到动物头部对应的多个关键点位置坐标；根据第二检测框位置坐标及多个关键点位置坐标，得到动物头部的姿态。该方法及系统在头部区域而不是整张图片上做姿态估计，可以有效的减少计算量和输入信息冗余，提高了斑马鱼头部姿态估计的准确率和速度。

Description

一种动物头部姿态估计方法及系统
技术领域
本发明涉及图像处理领域，尤其涉及一种动物头部姿态估计方法及系 统。
背景技术
在动物自由行为下控制和记录全脑神经元的活动，对解析动物行为和 脑活动的对应关系有着重要意义。比如斑马鱼，其全基因组与人类基因组 具有87％的相似度，常被用来探究神经元群和行为之间的关系。为了实 现动物(斑马鱼)自由行为下进行光遗传实验，需要对其头部图像进行姿 态估计，实现对动物头部的量化。
目前对于斑马鱼头部的量化方法主要有基于模板匹配的方法、基于 HOG特征的方法和基于深度学习的方法。
基于模板匹配方法主要思想是设计区域模板去定位特定的区域，先设 置模板匹配所需要的左眼、右眼、中心模板图像，再设置合理阈值，对图 像进行二值化，最后根据设置的模板在ROI区域内跟踪目标，达到量化 的目的。该类算法对于模板的设置要求很高，不具有通用性，对环境和噪 声特别敏感，鲁棒性，灵活性和稳定性较差。
基于HOG特征的方法主要是根据头部特点及其成像特征，设计一个 头部特征描述，然后结合全局匹配算法，不同于其他基于模板匹配算法， 其通过快速算法提取候选点，接着做过滤处理，因此能快速实现对斑马鱼 头部的追踪。该方法属于人工设计特征的过程，做的是对底层特征的统计， 仅能对有效地表达边缘等特征，无法表达高层语义信息的特征。
基于深度学习的方法目前有DeepLabCut，DeepLabCut是通过对用 户自定义的动物身体部位做姿态估计，从而对动物行为进行量化。 DeepLabCut采用ResNet作为基架，提取高层语义特征后，再对特征进行 反卷积，得到热力图和偏移量，结合热力图和偏移量对关键点位置进行预 测。但其采用整张图像作为输入，导致整个流程计算冗余和信息冗余，引 起速度和准确度的瓶颈。
发明内容
(一)要解决的技术问题
针对于现有的技术问题，本发明提出一种动物头部姿态估计方法及系 统，用于至少部分解决上述技术问题。
(二)技术方案
本发明一方面提供一种动物头部姿态估计方法，包括：S1，对动物图 片进行目标检测处理，标记出动物图片上动物头部的第一检测框；S2，根 据第一检测框标记出动物头部的第二检测框，并记录第二检测框位置坐 标，其中，第二检测框包含动物的整个头部；S3，在第二检测框限定范围 内，对动物头部进行特征提取，得到动物头部对应的多个关键点位置坐标； S4，根据第二检测框位置坐标及多个关键点位置坐标，得到动物头部的姿态。
可选地，标记出动物图片上动物头部的第一检测框包括：记录第一检 测框的两对角点的坐标、长度、宽度及包含动物头部的置信度。
可选地，根据第一检测框标记出动物头部的第二检测框包括：将标记 有第一检测框的动物图片映射回原动物图片，提取第一检测框对应区域， 将第一检测框对应区域输入回归优化神经网络，得到使第一检测框包含动 物的整个头部时所需的偏移量；根据偏移量及第一将检测框的两对角点的 坐标、长度、宽度，计算第二检测框的两对角点的坐标、长度、宽度；根 据第二检测框的两对角点的坐标、长度、宽度，在动物图片上标记出动物 头部的第二检测框。
可选地，将动物图片输入Micro-YOLO神经网络进行目标检测处理， 其中，Micro-YOLO网络至少包括卷积层。
可选地，在第二检测框限定范围内，对动物头部进行特征提取包括： 将标记有第二检测框的动物图片映射回原动物图片，提取第二检测框对应 区域，将第二检测框对应区域输入沙漏神经网络，对动物头部进行特征提 取，其中，沙漏神经网络至少包括卷积层及池化层。
可选地，计算第二检测框的两对角点的坐标、长度、宽度的公式如下：
xc＝(x1+x2)/2，yc＝(y1+y2)/2
bw＝x2-x1，bh＝y2-y1
xc′＝xc+tx·bw，yc′＝yc+yy·bh
其中，(x1，y1)和(x2，y2)为第一检测框的两对角坐标，(xc，yc) 为第一检测框的中心坐标，bw为第一检测框的长度，bh为第一检测框的宽 度，(xc′，yc′)为第二检测框的中心坐标，bw′为第二检测框的长度， bh′为第二检测框的宽度，(tx，ty，tw，th)为偏移量。
可选地，将第二检测框对应区域输入沙漏神经网络，对动物头部进行 特征提取包括：对第二检测框对应区域进行下采样，得到动物头部对应的 第一特征图；对第一特征图进行上采样，得到第二特征图；通过跳跃连接 方式对第二特征图进行融合，得到动物头部对应的热力点图；取热力点图 中各热力点的最大激活值位置坐标，得到动物头部对应的多个关键点位置 坐标。
可选地，上采样采用双线性插值方法。
本发明另一方面提供一种动物头部姿态估计系统，包括：第一处理模 块，用于对动物图片进行目标检测处理，标记出动物图片上动物头部的第 一检测框；第二处理模块，用于根据第一检测框标记出动物头部的第二检 测框，并记录第二检测框位置坐标，其中，第二检测框包含动物的整个头 部；特征提取模块，用于第二检测框限定范围内，对动物头部进行特征提 取，得到动物头部对应的多个关键点位置坐标；计算模块，用于根据第二 检测框位置坐标及多个关键点位置坐标，得到动物头部的姿态。
可选地，第一处理模块采用Micro-YOLO神经网络对动物图片进行目 标检测处理；第二处理模块采用回归优化神经网络根据第一检测框标记出 动物头部的第二检测框；特征提取模块采用沙漏神经网络对动物头部进行 特征提取。
(三)有益效果
本发明提出一种动物头部姿态估计方法及系统，首先检测出斑马鱼头 部区域，然后在头部区域而不是整张图片上做姿态估计，可以有效的减少 计算量和输入信息冗余，提高了斑马鱼头部姿态估计的准确率和速度。
附图说明
图1示意性示出了本发明实施例提供的动物头部姿态估计方法的流程 图。
图2示意性示出了本发明实施例斑马鱼头部标记的检测框示意图。
图3示意性示出了本发明实施例提供的Fast RegressNet网络架构图。
图4示意性示出了本发明实施例提供的Tiny Hourglass的网络架构图
图5示意性示出了本发明实施例提供的动物头部姿态估计系统框图。
图6示意性示出了采用本发明实施例动物头部姿态估计方法及系统对 斑马鱼头部进行姿态估计及量化的结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实 施例，并参照附图，对本发明进一步详细说明。
请参见图1，图1示意性示出了本发明实施例提供的动物头部姿态估 计方法的流程图，下面以斑马鱼为例，详细介绍。如图1所示，该方法包 括：
S1，对动物图片进行目标检测处理，标记出动物图片上动物头部的第 一检测框。
操作S1的目的是快速得到斑马鱼头部区域，该斑马鱼头部区域不是 特别精准，很可能未将斑马鱼的头部完全包含。使用的方法采用一个一阶 检测神经网络对一整张斑马鱼图片进行目标检测处理。本实施例采用的是 Micro-YOLO神经网络，该Micro-YOLO网络至少包括卷积层，具体检 测神经网络类型本发明不加以限制。
具体地，将斑马图片输入Micro-YOLO神经网络，经过依次前向传播， 根据网络输出最终得到斑马鱼头部的第一检测框(x1，y1，x2，y2)，其中， (x1，y1)代表第一检测框左上角坐标，(x2，y2)代表第一检测框右下角 坐标。
Micro-YOLO具体网络架构如表1，输入图片为224×224×1，将其分 为7×7网格，每个网格预测2个第一检测框。每个第一检测框包含5个 预测值，分别为第一检测框的中心点坐标(两对角点的坐标)、长宽和包 含动物头部的置信度，同时每个网格需要预测一个类别置信度。因此，输 入图像经过6个卷积层和3个全连接层，最终会得到7×7×(2×5+1)＝539 维向量。通过539维向量可以得到头部第一检测框的位置。Micro-YOLO 的检测结果如图2所示，图2中标号1所指示的框代表第一检测框，相对 于真实的将斑马鱼头部完全包围绿色矩形框(标号3所指示的框)，差距 大，而且为未将斑马鱼头部完全包含。
表1
S2，据第一检测框标记出动物头部的第二检测框，并记录第二检测框 位置坐标，其中，第二检测框包含动物的整个头部。
操作S2的目的是对于第一阶段得到的斑马鱼头部区域(第一检测框) 进行回归优化得到位置回归坐标值，将第一阶段得到的区域(第一检测框) 优化成为一个更加精准的斑马鱼头部区域(第二检测框)。使用的方法是 将标记有第一检测框的动物图片输入到一个回归优化神经网络精心处理。
具体地，本实施例采用的是Fast RegressNet对第一检测框(x1，y1， x2，y2)进行优化。总体思路是将操作S1得到的检测框映射回原图，提取 对应区域，将其尺寸缩放为56×56×1的图像块R1。然后将该图像块R1 输入到Fast RegressNet中，得到更加精确的第二检测框(x1′，y1′，x2′，y2′)，该第二检测框包含斑马鱼头部的整个区域。
Fast RegressNet网络架构如4所示，其输入尺寸为56×56×1。经过 4个卷积层和2个全连接层，最终得到6维向量(tx，ty，tw，th，c1，c2)。 (tx，ty，tw，th)表示第一检测框回归(使第一检测框包含动物的整个头部) 所需要的偏移量，(c1，c2)表示图片背景概率为c1，斑马鱼概率为c2。根 据偏移量及第一将检测框的两对角点的坐标、长度、宽度，计算第二检测框的两对角点的坐标、长度、宽度；根据第二检测框的两对角点的坐标、 长度、宽度，在动物图片上标记出动物头部的第二检测框。优化后的第二 检测框的中心点坐标(xc′，yc′)和长宽(bw′，bh′)可以通过如下公 式计算得到：
xc＝(x1+x2)/2，yc＝(y1+y2)/2
bw＝x2-x1，bh＝y2-y1
xc′＝xc+tx·bw，yc′＝yc+yv·bh
其中，(x1，y1)和(x2，y2)为第一检测框的两对角坐标，(xc，yc) 为第一检测框的中心坐标，bw为第一检测框的长度，bh为第一检测框的宽 度，(xc′，yc′)为第二检测框的中心坐标，bw′为第二检测框的长度， bh′为第二检测框的宽度，(tx，ty，tw，th)为偏移量。类似地，通过第二 检测框的中心坐标(xc′，yc′)和长宽(bw′，bh′)求得第二检测框的 左上角坐标(x1′，y1)和右下角坐标(x2′，y2′)。
Fast RegressNet的回归优化结果如图2所示，图2中标号2所指示的 框代表第二检测框，可以看出，第二检测框与真实的将斑马鱼头部完全包 围绿色矩形框(标号3所指示的框)差距小，将斑马鱼头部完全包围。
S3，在第二检测框限定范围内，对动物头部进行特征提取，得到动物 头部对应的多个关键点位置坐标。
操作S3的目的是通过对第二检测框包含的动物头部局域进行特征提 取，以得到用于姿态估计的动物头部的关键点位置。
具体地，本实施例采用的沙漏神经网络(Tiny Hourglass)对操作S2 得到的斑马鱼头部区域进行处理，其网络架构如图4所示，该沙漏神经网 络至少包括卷积层及池化层。总体思路是将操作S2得到的第二检测框映 射回原图，提取对应区域，将其尺寸缩放为56×56×1的图像块R2。然后 将R2输入到Tiny Hourglass中，得到多个关键点的位置坐标(P0，P1，…， Pn)。具体关键点个数根据实际需求而定，本发明不加以限制，本实施例得 到21个斑马鱼头部的关键点位置。
为了加速推理过程，将输入分辨率降低至56×56。Tiny Hourglass使 用卷积层和最大池化层来对特征进行处理，将输入下采样至7×7，得到第 一特征图，然后使用完全对称的结构来将第一特征图上采样至原输入大 小，得到第二特征图，上采样方法为双线性插值。为了更好的提取特征， 通过跳跃连接对上采样得到的第二特征图进行融合，最终得到21个热力 点图，代表21个关键点位置。Tiny Hourglass中的所有卷积操作使用3×3 ×64大小的卷积核。分别对21个热力点图取最大激活值位置坐标，得到 21个关键点位置坐标。
S4，根据第二检测框位置坐标及多个关键点位置坐标，得到动物头部 的姿态。
最后将每个关键点位置坐标结合第二检测框(xl′，y1′，x2′，y2′) 获得其在原图中的位置坐标，即可得到斑马鱼头部的姿态。
本实施例提供的动物头部姿态估计方法对斑马鱼头部而不是整张图 片做姿态估计，可以有效的减少计算量和输入信息冗余，提高了斑马鱼头 部姿态估计的准确率和速度。
请参见图5，图5示意性示出了本发明实施例提供的动物头部姿态估 计系统框图，包括：
第一处理模块510，用于对动物图片进行目标检测处理，标记出动物 图片上动物头部的第一检测框；
第二处理模块520，用于根据第一检测框标记出动物头部的第二检测 框，并记录第二检测框位置坐标，其中，第二检测框包含动物的整个头部；
特征提取模块530，用于第二检测框限定范围内，对动物头部进行特 征提取，得到动物头部对应的多个关键点位置坐标；
计算模块540，用于根据第二检测框位置坐标及多个关键点位置坐标， 得到动物头部的姿态。
其中，第一处理模块510采用Micro-YOLO神经网络对动物图片进行 目标检测处理；第二处理模块520采用回归优化神经网络根据第一检测框 标记出动物头部的第二检测框；特征提取模块530采用沙漏神经网络对动 物头部进行特征提取。
本实施例未尽细节之处，请参见本发明第一实施例。
本实施例提供的动物头部姿态估计系统搭建的网络模型框架比较小， 提取特征能力强，提高了斑马鱼头部姿态估计的准确率。
请参见图6，图6示意性示出了采用本发明实施例动物头部姿态估计 方法及系统对斑马鱼头部进行姿态估计及量化的结果图。图片a代表斑马 鱼原始图片，其中，ROI(Region of Interest)代表的是斑马鱼头部区域； 图片b表示斑马鱼头部姿态估计的定义，一共包含21个关键点；图片c 代表的则是通过对这些关键点进行椭圆拟合和直线拟合后的结果，图片d 代表对斑马鱼头部的量化结果，包括双眼的视线方向和头部中位线方向。
采用本发明实施例提供的动物头部姿态估计系统及当前最好的对用 户自定义姿态估计方法DeepLabCut对斑马鱼进行了姿态估计，其比较结 果如表2所示。
表2
从表2中可以看出，本发明提出的方法及系统在姿态估计的速度和精 度优于DeepLabCut。
综上所述，本发明首先检测出斑马鱼头部区域，然后对斑马鱼头部而 不是整张图片做姿态估计，并且搭建的网络模型框架比较小，同时提取特 征能力强，可以有效的减少计算量和输入信息冗余，提高了斑马鱼头部姿 态估计的准确率和速度，适用于对斑马鱼头部的量化。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行 了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而 已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动物头部姿态估计方法，其特征在于，包括：
S1，对动物图片进行目标检测处理，标记出所述动物图片上动物头部的第一检测框；
S2，根据第一检测框标记出动物头部的第二检测框，并记录所述第二检测框位置坐标，其中，所述第二检测框包含动物的整个头部；
S3，在所述第二检测框限定范围内，对动物头部进行特征提取，得到动物头部对应的多个关键点位置坐标；
S4，根据所述第二检测框位置坐标及多个关键点位置坐标，得到所述动物头部的姿态。
2.根据权利要求1所述的动物头部姿态估计方法，其特征在于，所述标记出所述动物图片上动物头部的第一检测框包括：
记录所述第一检测框的两对角点的坐标、长度、宽度及包含动物头部的置信度。
3.根据权利要求2所述的动物头部姿态估计方法，其特征在于，所述根据第一检测框标记出动物头部的第二检测框包括：
将标记有第一检测框的动物图片映射回原动物图片，提取第一检测框对应区域，将第一检测框对应区域输入回归优化神经网络，得到使所述第一检测框包含动物的整个头部时所需的偏移量；
根据所述偏移量及所述第一将检测框的两对角点的坐标、长度、宽度，计算所述第二检测框的两对角点的坐标、长度、宽度；
根据所述第二检测框的两对角点的坐标、长度、宽度，在动物图片上标记出动物头部的第二检测框。
4.根据权利要求1所述的动物头部姿态估计方法，其特征在于，将所述动物图片输入Micro-YOLO神经网络进行目标检测处理，其中，所述Micro-YOLO网络至少包括卷积层。
5.根据权利要求1所述的动物头部姿态估计方法，其特征在于，所述在所述第二检测框限定范围内，对动物头部进行特征提取包括：
将标记有第二检测框的动物图片映射回原动物图片，提取第二检测框对应区域，将第二检测框对应区域输入沙漏神经网络，对动物头部进行特征提取，其中，所述沙漏神经网络至少包括卷积层及池化层。
6.根据权利要求3所述的动物头部姿态估计方法，其特征在于，所述计算所述第二检测框的两对角点的坐标、长度、宽度的公式如下：
xc＝(x1+x2)/2，yc＝(y1+y2)/2
bw＝x2-x1，bh＝y2-y1
xc′＝xc+tx·bw，yc′＝yc+yy·bh
其中，(x1，y1)和(x2，y2)为所述第一检测框的两对角坐标，(xc，yc)为所述第一检测框的中心坐标，bw为所述第一检测框的长度，bh为所述第一检测框的宽度，(xc′，yc′)为所述第二检测框的中心坐标，bw′为所述第二检测框的长度，bh′为所述第二检测框的宽度，(tx，ty，tw，th)为所述偏移量。
7.根据权利要求5所述的动物头部姿态估计方法，其特征在于，所述将第二检测框对应区域输入沙漏神经网络，对动物头部进行特征提取包括：
对所述第二检测框对应区域进行下采样，得到动物头部对应的第一特征图；
对所述第一特征图进行上采样，得到第二特征图；
通过跳跃连接方式对所述第二特征图进行融合，得到动物头部对应的热力点图；
取所述热力点图中各热力点的最大激活值位置坐标，得到所述动物头部对应的多个关键点位置坐标。
8.根据权利要求7所述的动物头部姿态估计方法，其特征在于，所述上采样采用双线性插值方法。
9.一种动物头部姿态估计系统，其特征在于，包括：
第一处理模块，用于对动物图片进行目标检测处理，标记出所述动物图片上动物头部的第一检测框；
第二处理模块，用于根据第一检测框标记出动物头部的第二检测框，并记录所述第二检测框位置坐标，其中，所述第二检测框包含动物的整个头部；
特征提取模块，用于所述第二检测框限定范围内，对动物头部进行特征提取，得到动物头部对应的多个关键点位置坐标；
计算模块，用于根据所述第二检测框位置坐标及多个关键点位置坐标，得到所述动物头部的姿态。
10.根据权利要求9所述的动物头部姿态估计系统，其特征在于，所述第一处理模块采用Micro-YOLO神经网络对所述动物图片进行目标检测处理；
所述第二处理模块采用回归优化神经网络根据第一检测框标记出动物头部的第二检测框；
所述特征提取模块采用沙漏神经网络对动物头部进行特征提取。
CN201910698158.3A 2019-07-30 2019-07-30 一种动物头部姿态估计方法及系统 Active CN110569719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698158.3A CN110569719B (zh) 2019-07-30 2019-07-30 一种动物头部姿态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698158.3A CN110569719B (zh) 2019-07-30 2019-07-30 一种动物头部姿态估计方法及系统

Publications (2)

Publication Number Publication Date
CN110569719A true CN110569719A (zh) 2019-12-13
CN110569719B CN110569719B (zh) 2022-05-17

Family

ID=68773235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698158.3A Active CN110569719B (zh) 2019-07-30 2019-07-30 一种动物头部姿态估计方法及系统

Country Status (1)

Country Link
CN (1) CN110569719B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931764A (zh) * 2020-06-30 2020-11-13 华为技术有限公司 一种目标检测方法、目标检测框架及相关设备
CN112101259A (zh) * 2020-09-21 2020-12-18 中国农业大学 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法
CN112464744A (zh) * 2020-11-09 2021-03-09 湖北省农业科学院农产品加工与核农技术研究所 一种鱼姿态识别方法
CN112016527B (zh) * 2020-10-19 2022-02-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质
CN110569719B (zh) * 2019-07-30 2022-05-17 中国科学技术大学 一种动物头部姿态估计方法及系统
CN116883458A (zh) * 2023-09-06 2023-10-13 中国科学技术大学 基于Transformer并融合以观测为中心运动特征的多目标跟踪系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909005A (zh) * 2017-10-26 2018-04-13 西安电子科技大学 基于深度学习的监控场景下人物姿态识别方法
CN108447090A (zh) * 2016-12-09 2018-08-24 株式会社理光 对象姿态估计的方法、装置及电子设备
CN108875492A (zh) * 2017-10-11 2018-11-23 北京旷视科技有限公司 人脸检测及关键点定位方法、装置、系统和存储介质
CN108985148A (zh) * 2018-05-31 2018-12-11 成都通甲优博科技有限责任公司 一种手部关键点检测方法及装置
CN109064514A (zh) * 2018-07-03 2018-12-21 北京航空航天大学 一种基于投影点坐标回归的六自由度位姿估计算法
CN109190537A (zh) * 2018-08-23 2019-01-11 浙江工商大学 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN109376571A (zh) * 2018-08-03 2019-02-22 西安电子科技大学 基于变形卷积的人体姿态估计方法
CN109685013A (zh) * 2018-12-25 2019-04-26 上海智臻智能网络科技股份有限公司 人体姿态识别中头部关键点的检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569719B (zh) * 2019-07-30 2022-05-17 中国科学技术大学 一种动物头部姿态估计方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447090A (zh) * 2016-12-09 2018-08-24 株式会社理光 对象姿态估计的方法、装置及电子设备
CN108875492A (zh) * 2017-10-11 2018-11-23 北京旷视科技有限公司 人脸检测及关键点定位方法、装置、系统和存储介质
CN107909005A (zh) * 2017-10-26 2018-04-13 西安电子科技大学 基于深度学习的监控场景下人物姿态识别方法
CN108985148A (zh) * 2018-05-31 2018-12-11 成都通甲优博科技有限责任公司 一种手部关键点检测方法及装置
CN109064514A (zh) * 2018-07-03 2018-12-21 北京航空航天大学 一种基于投影点坐标回归的六自由度位姿估计算法
CN109376571A (zh) * 2018-08-03 2019-02-22 西安电子科技大学 基于变形卷积的人体姿态估计方法
CN109190537A (zh) * 2018-08-23 2019-01-11 浙江工商大学 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN109685013A (zh) * 2018-12-25 2019-04-26 上海智臻智能网络科技股份有限公司 人体姿态识别中头部关键点的检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHAOWEI CAI等: ""Cascade R-CNN: Delving into High Quality Object Detection"", 《ARXIV》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569719B (zh) * 2019-07-30 2022-05-17 中国科学技术大学 一种动物头部姿态估计方法及系统
CN111931764A (zh) * 2020-06-30 2020-11-13 华为技术有限公司 一种目标检测方法、目标检测框架及相关设备
CN111931764B (zh) * 2020-06-30 2024-04-16 华为云计算技术有限公司 一种目标检测方法、目标检测框架及相关设备
CN112101259A (zh) * 2020-09-21 2020-12-18 中国农业大学 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法
CN112016527B (zh) * 2020-10-19 2022-02-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质
CN112464744A (zh) * 2020-11-09 2021-03-09 湖北省农业科学院农产品加工与核农技术研究所 一种鱼姿态识别方法
CN116883458A (zh) * 2023-09-06 2023-10-13 中国科学技术大学 基于Transformer并融合以观测为中心运动特征的多目标跟踪系统
CN116883458B (zh) * 2023-09-06 2024-01-09 中国科学技术大学 基于Transformer并融合以观测为中心运动特征的多目标跟踪系统

Also Published As

Publication number Publication date
CN110569719B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN110569719B (zh) 一种动物头部姿态估计方法及系统
CN109559320B (zh) 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统
CN109934115B (zh) 人脸识别模型的构建方法、人脸识别方法及电子设备
WO2020177651A1 (zh) 图像分割方法和图像处理装置
WO2020228446A1 (zh) 模型训练方法、装置、终端及存储介质
WO2020015752A1 (zh) 一种对象属性识别方法、装置、计算设备及系统
CN111627050B (zh) 一种目标跟踪模型的训练方法和装置
CN110555481A (zh) 一种人像风格识别方法、装置和计算机可读存储介质
CN112990010B (zh) 点云数据处理方法、装置、计算机设备和存储介质
CN114424250A (zh) 结构建模
CN110879982A (zh) 一种人群计数系统及方法
WO2021098802A1 (en) Object detection device, method, and systerm
US10740901B2 (en) Encoder regularization of a segmentation model
CN110827304B (zh) 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统
CN110738650B (zh) 一种传染病感染识别方法、终端设备及存储介质
CN111292377B (zh) 目标检测方法、装置、计算机设备和存储介质
WO2023142602A1 (zh) 图像处理方法、装置和计算机可读存储介质
JP2021503139A (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN114663502A (zh) 物体姿态估计、图像处理方法及相关设备
CN113407027A (zh) 位姿获取方法及装置和电子设备、存储介质
Ahmad et al. 3D capsule networks for object classification from 3D model data
US20220270341A1 (en) Method and device of inputting annotation of object boundary information
Rosales et al. Faster r-cnn based fish detector for smart aquaculture system
CN113420648B (zh) 一种具有旋转适应性的目标检测方法及系统
CN111709269A (zh) 一种深度图像中基于二维关节信息的人手分割方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant