CN110969138A - 人体姿态估计方法及设备 - Google Patents

人体姿态估计方法及设备 Download PDF

Info

Publication number
CN110969138A
CN110969138A CN201911259733.6A CN201911259733A CN110969138A CN 110969138 A CN110969138 A CN 110969138A CN 201911259733 A CN201911259733 A CN 201911259733A CN 110969138 A CN110969138 A CN 110969138A
Authority
CN
China
Prior art keywords
human body
human
target detection
points
key points
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.)
Pending
Application number
CN201911259733.6A
Other languages
English (en)
Inventor
朱政
黄冠
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.)
Shanghai Xinyi Intelligent Technology Co Ltd
Original Assignee
Shanghai Xinyi Intelligent Technology Co Ltd
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 Shanghai Xinyi Intelligent Technology Co Ltd filed Critical Shanghai Xinyi Intelligent Technology Co Ltd
Priority to CN201911259733.6A priority Critical patent/CN110969138A/zh
Publication of CN110969138A publication Critical patent/CN110969138A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Abstract

本申请提供了一种人体姿态估计方法，能够使用关键点估计方法在单一步骤中确定人体目标检测点和人体关键点，并根据确定的人体目标检测点对不同类别的人体关键点进行分组，从而提高了人体姿态估计模型的运算速度，同时由于确定人体目标检测点和人体关键点的过程都为点估计任务，因此可以相互促进，从而提高了人体姿态估计模型的精度。

Description

人体姿态估计方法及设备
技术领域
本申请涉及图像识别领域，尤其涉及一种人体姿态估计方法及设备。
背景技术
人体目标检测是计算机视觉领域重要的研究方向，在智能视频监控、自动驾驶、人机交互等方面有着巨大的研究价值和应用前景。人体目标检测是非常具有挑战性的问题，现有方案主要可分为单阶段法和双阶段法。单阶段法直接在全图进行计算从而得到检测结果，流程比较直接，推理速度较快，相关论文如Liu W,Anguelov D等人2016年在Europeanconference on computer vision上发表的Ssd:Single shot multibox detector等；双阶段法首先提取候选区域，再对其进行二次修正得到检测结果，因此性能较好，但是网络结构较为复杂，从而推理速度较慢，相关论文如Ren S,He K等人2015年在Advances in neuralinformation processing systems上发表的Faster r-cnn:Towards real-time objectdetection with region proposal networks等。
人体目标检测还有通过检测图像中人体目标中心点的方法，相关论文如Law H,Deng J等人2018年在European Conference on Computer Vision(ECCV)上发表的Cornernet:Detecting objects as paired keypoints，Duan K,Bai S等人2019年在arXiv上发表的CenterNet:Object Detection with Keypoint Triplets等，该方法将检测目标建模为单点，使用关键点估计来查找目标中心点，并回归其它属性，速度较快，也比较准确。
人体姿态估计是指从二维图像中给出人体关键点的位置，可用于人机交互、视觉监控、体育运动分析、医疗诊断、虚拟现实以及增强现实等多种领域。对于多人姿态估计来说，现有技术大致可分为两种：自底向上(Bottom-Up)的人体姿态估计和自顶向下(Top-Down)的人体姿态估计。自底向上的人体姿态估计首先检测出图像中所有的人体关键点，再将这些人体关键点组合成多个独立的人体，这种方法的速度较快，但是精度不高，相关论文如Newell A，Huang Z等人2017年在Advances in Neural Information ProcessingSystems上发表的Associative embedding:End-to-end learning for joint detectionand grouping等。自顶向下的人体姿态估计是首先通过人体检测器先检测出所有的人体，再对每个人体检测出相应的人体关键点，这种方法的精度较高，但是速度较慢，相关论文如Xiao B，Wu H等人在European conference on Computer Vision(ECCV)上发表的Simplebaselines for human pose estimation and tracking等。
发明内容
本申请的一个目的是提供一种人体姿态估计方法及设备，用于解决现有技术下人体姿态估计的速度和精度难以同时满足的问题。
为实现上述目的，本申请提供了一种人体姿态估计方法，其中，该方法包括：
构建所述人体姿态估计模型，其中，所述人体姿态估计模型根据人体目标检测点对人体关键点分组，所述人体目标检测点通过目标检测的点估计方法确定；
将人体图像输入所述人体姿态估计模型，获取所述人体图像中的多组人体关键点和对应的人体姿态信息。
进一步地，构建所述人体姿态估计模型，包括：
获取所述人体图像的特征图；
根据所述人体图像的特征图，确定所述人体图像中人体目标检测点和人体关键点，所述人体目标检测点包括人体目标中心点、人体目标左上角点和人体目标右下角点；
根据所述人体目标检测点对不同类型的人体关键点分组，并根据分组结果确定对应的人体姿态信息。
进一步地，获取所述人体图像的特征图，包括：
通过卷积层和池化层对所述人体图像进行特征提取，获取所述人体图像的特征图。
进一步地，根据所述人体图像的特征图，确定所述人体图像中人体目标检测点和人体关键点，包括：
将所述人体图像的特征图输入多个相互连接的、用于检测人体目标的卷积层，确定所述人体图像中的人体目标检测点；
将所述人体图像的特征图输入多个相互连接的、用于检测人体关键点的卷积层，确定所述人体图像中的人体关键点。
进一步地，确定所述人体图像中的人体目标检测点，包括：
根据所述用于检测人体目标的卷积层的输出生成热力图，将所述热力图中激活响应满足预设条件的多个目标点确定为人体目标检测点。
进一步地，确定所述人体图像中的人体关键点，包括：
根据所述用于检测人体关键点的卷积层的输出生成热力图，将所述热力图中激活响应满足预设阈值的多个目标点确定为人体关键点。
进一步地，该方法还包括：
根据所述人体目标检测点，确定人体目标检测框，包括：
将人体目标左上角点与人体目标右下角点进行两两配对，确定多个候选人体目标检测框；
将所述候选人体目标检测框划分为包括中心区域的多个区域，所述中心区域位于所述候选人体目标检测框的中心；
若有人体目标中心点位于所述中心区域，保留该候选人体目标检测框，否则移除该候选人体目标检测框。
进一步地，根据所述人体目标检测点对不同类型的人体关键点分组，并根据分组结果确定对应的人体姿态信息，包括：
获取所述人体目标检测框对应的不同类型的人体关键点；
确定一组不同类型的人体关键点，以使得该组人体关键点与该人体目标检测框对应的人体目标中心点的距离最小且与其他人体目标中心点的距离最大；
根据预设规则对分组中的人体关键点进行连接，确定对应的人体姿态信息。
基于本申请的另一方面，本申请还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述人体姿态估计方法。
本申请还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述人体姿态估计方法。
与现有技术相比，本申请提供的方案能够使用关键点估计方法在单一步骤中确定人体目标检测点和人体关键点，并根据确定的人体目标检测点对不同类别的人体关键点进行分组，从而提高了人体姿态估计模型的运算速度，同时由于确定人体目标检测点和人体关键点的过程都为点估计任务，因此可以相互促进，从而提高了人体姿态估计模型的精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请的一些实施例提供的一种人体姿态估计方法的流程图。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出了本申请的一些实施例提供的一种人体姿态估计方法，其中，该方法可具体包括如下步骤：
步骤S101，构建所述人体姿态估计模型，其中，所述人体姿态估计模型根据人体目标检测点对人体关键点分组，所述人体目标检测点通过目标检测的点估计方法确定；
步骤S102，将人体图像输入所述人体姿态估计模型，获取所述人体图像中的多组人体关键点和对应的人体姿态信息。
该方法尤其适合用于对包含多人的人体图像进行人体目标检测和人体姿态估计的场合，能够通过关键点估计方法检测出人体图像中的人体目标检测点和相应的人体关键点，并根据该人体目标检测点对人体关键点进行分组，再根据每组内的人体关键点得到相应的人体姿态信息。
在步骤S101中，首先构建所述人体姿态估计模型。在此，人体姿态估计模型通过使用卷积神经网络来进行构建，卷积神经网络通过卷积层、池化层、全连接层等对输入的人体图像进行处理，最终得到用户希望的图像识别后的结果。在构建完成的人体姿态估计模型中，首先根据目标检测的点估计方法得到人体目标检测点，同时根据类似的人体关键点估计方法得到人体关键点，再根据人体目标检测点对人体关键点进行分组，将全部人体关键点划分到不同的组中，每个组中的人体关键点即为同一个人的人体关键点。
本申请的一些实施例中，构建人体姿态估计模型，具体可包括如下步骤：
1)获取所述人体图像的特征图；在此，这里的人体图像为用于进行人体姿态估计模型训练所使用的多张图像，每张图像中有多个人体，其中的人体目标检测点和人体关键点位置、人体姿态信息已经预先进行了标注，人体目标检测点用于指明人体图像中人体目标的标记框，人体目标指人体图像中包含单个人体的图像。人体姿态是对人体关键点进行连接所形成的连接图形，在此，人体关键点可分为不同的类型，例如肩、肘、手等，具体的人体关键点包括左肩、右肩、左肘、右肘、左手、右手等，通常每个人体有17个人体关键点；
具体来说，是通过卷积层和池化层对该人体图像进行特征提取，获取该人体图像的特征图，卷积层和池化层都是卷积神经网络中处理步骤，通过卷积层中的卷积操作和池化操作对人体图像进行处理，得到该人体图像的特征图像；
2)根据所述人体图像的特征图，确定所述人体图像中人体目标检测点和人体关键点，所述人体目标检测点包括人体目标中心点、人体目标左上角点和人体目标右下角点；在此，人体目标检测点用于确定人体图像中的人体目标，可通过人体目标中心点、人体目标左上角点和人体目标右下角点确定一个人体目标检测框，从而识别出人体图像中的人体目标。由于人体图像中包含多个人体目标，因此得到的人体目标检测点和人体关键点都有多个。
本申请的一些实施例中，根据特征图确定人体目标检测点和人体关键点，具体包括如下步骤：将所述人体图像的特征图输入多个相互连接的、用于检测人体目标的卷积层，确定所述人体图像中的人体目标检测点；将所述人体图像的特征图输入多个相互连接的、用于检测人体关键点的卷积层，确定所述人体图像中的人体关键点。在此，可将特征图分别输入用于检测人体目标的卷积层和用于检测人体关键点的卷积层，从而可以同时得到人体目标检测点和人体关键点，因此获取结果的速度较快。
本申请的一些实施例中，确定人体图像中的人体目标检测点，具体包括如下步骤：根据所述用于检测人体目标的卷积层的输出生成热力图，将所述热力图中激活响应满足预设条件的多个目标点确定为人体目标检测点。在此，生成的热力图为包含3个通道的热力图，通道分别代表人体目标中心点、人体目标左上角点和人体目标右下角点，每张热力图上对应一个通道的所有点，例如对应人体目标中心点的热力图上包含有所有检测出的人体目标中心点。另外，人体目标检测点在相应的热力图上的激活响应的取值不同，有的高，有的低，通常将热力图上激活响应较高的多个目标点作为人体目标检测点，这里的预设条件例如可为激活响应最大的前N个目标点，如果某个目标点是激活响应最大的前N个目标点中的一个，则将该目标点确定为人体目标检测点。
本申请的一些实施例中，确定所述人体图像中的人体关键点，具体包括如下步骤：根据所述用于检测人体关键点的卷积层的输出生成热力图，将所述热力图中激活响应满足预设阈值的多个目标点确定为人体关键点。在此，生成的热力图为包含多个通道的热力图，通道数与使用的人体关键点的个数有关，例如如果使用17个人体关键点，则通道数为17。如果热力图上某个目标点的激活响应超过预设阈值，则将该目标点确定为人体关键点。
本申请的一些实施例中，在得到人体目标检测点后，还可以根据人体目标检测点来确定人体目标检测框，具体可包括如下步骤：将人体目标左上角点与人体目标右下角点进行两两配对，确定多个候选人体目标检测框；将所述候选人体目标检测框划分为包括中心区域的多个区域，所述中心区域位于所述候选人体目标检测框的中心；若有人体目标中心点位于所述中心区域，保留该候选人体目标检测框，否则移除该候选人体目标检测框。
在此，由于人体目标中心点、人体目标左上角点和人体目标右下角点分别位于不同通道上的热力图中，因此需要将这3种类型的点准确划分为多组人体目标检测点，通过建立人体目标左上角点与人体目标右下角点配对的多个候选人体目标检测框，再检查是否有人体目标中心点位于候选人体目标检测框中心，能够准确实现人体目标中心点、人体目标左上角点和人体目标右下角的分组，从而得到人体图像中的多个人体目标检测框。
3)根据所述人体目标检测点对不同类型的人体关键点分组，并根据分组结果确定对应的人体姿态信息；具体来说，可包括如下步骤：获取所述人体目标检测框对应的不同类型的人体关键点；确定一组不同类型的人体关键点，以使得该组人体关键点与该人体目标检测框对应的人体目标中心点的距离最小且与其他人体目标中心点的距离最大；根据预设规则对分组中的人体关键点进行连接，确定对应的人体姿态信息。
在此，人体关键点有不同的类型信息，例如肩、肘、手、膝、足等，每个人体中不同类型的人体关键点只有一个，因此可在位于人体目标检测框所确定的位置范围中的人体关键点中进行不同类型人体关键点的多个组合，再计算组合中的人体关键点与该人体目标检测框对应的人体目标中心点的距离，并通过卷积层的训练找到多个组合中的一组，该组中的人体关键点与该人体目标中心点的距离最小且与其他人体目标中心点的距离最大，该组即为某个人体目标的所有人体关键点。
随后，再根据预设规则对该组中的人体关键点进行连接，确定对应的人体姿态信息，这里的预设规则可例如为，类型为肘的人体关键点只能与类别为肩或手的人体关键点进行连接等。
在步骤S102中，将人体图像输入所述人体姿态估计模型，获取所述人体图像中的多组人体关键点和对应的人体姿态信息。在此，这里的人体图像是指实际场景中用来进行人体姿态估计的包含多个人体的图像，该图像没有预先对人体目标检测点、人体关键点和人体姿态信息进行标注，而是要使用训练好的人体姿态估计模型对该图像进行处理，得到该图像中的多组人体关键点和对应的人体姿态信息。
本申请的一些实施例还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述人体姿态估计方法。
本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述人体姿态估计方法。
与现有技术相比，本申请提供的方案能够使用关键点估计方法在单一步骤中确定人体目标检测点和人体关键点，并根据确定的人体目标检测点对不同类别的人体关键点进行分组，从而提高了人体姿态估计模型的运算速度，同时由于确定人体目标检测点和人体关键点的过程都为点估计任务，因此可以相互促进，从而提高了人体姿态估计模型的精度。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种人体姿态估计方法，其中，该方法包括：
构建所述人体姿态估计模型，其中，所述人体姿态估计模型根据人体目标检测点对人体关键点分组，所述人体目标检测点通过目标检测的点估计方法确定；
将人体图像输入所述人体姿态估计模型，获取所述人体图像中的多组人体关键点和对应的人体姿态信息。
2.根据权利要求1所述的方法，其中，构建所述人体姿态估计模型，包括：
获取所述人体图像的特征图；
根据所述人体图像的特征图，确定所述人体图像中人体目标检测点和人体关键点，所述人体目标检测点包括人体目标中心点、人体目标左上角点和人体目标右下角点；
根据所述人体目标检测点对不同类型的人体关键点分组，并根据分组结果确定对应的人体姿态信息。
3.根据权利要求2所述的方法，其中，获取所述人体图像的特征图，包括：
通过卷积层和池化层对所述人体图像进行特征提取，获取所述人体图像的特征图。
4.根据权利要求2所述的方法，其中，根据所述人体图像的特征图，确定所述人体图像中人体目标检测点和人体关键点，包括：
将所述人体图像的特征图输入多个相互连接的、用于检测人体目标的卷积层，确定所述人体图像中的人体目标检测点；
将所述人体图像的特征图输入多个相互连接的、用于检测人体关键点的卷积层，确定所述人体图像中的人体关键点。
5.根据权利要求4所述的方法，其中，确定所述人体图像中的人体目标检测点，包括：
根据所述用于检测人体目标的卷积层的输出生成热力图，将所述热力图中激活响应满足预设条件的多个目标点确定为人体目标检测点。
6.根据权利要求4所述的方法，其中，确定所述人体图像中的人体关键点，包括：
根据所述用于检测人体关键点的卷积层的输出生成热力图，将所述热力图中激活响应满足预设阈值的多个目标点确定为人体关键点。
7.根据权利要求2所述的方法，其中，该方法还包括：
根据所述人体目标检测点，确定人体目标检测框，包括：
将人体目标左上角点与人体目标右下角点进行两两配对，确定多个候选人体目标检测框；
将所述候选人体目标检测框划分为包括中心区域的多个区域，所述中心区域位于所述候选人体目标检测框的中心；
若有人体目标中心点位于所述中心区域，保留该候选人体目标检测框，否则移除该候选人体目标检测框。
8.根据权利要求7所述的方法，其中，根据所述人体目标检测点对不同类型的人体关键点分组，并根据分组结果确定对应的人体姿态信息，包括：
获取所述人体目标检测框对应的不同类型的人体关键点；
确定一组不同类型的人体关键点，以使得该组人体关键点与该人体目标检测框对应的人体目标中心点的距离最小且与其他人体目标中心点的距离最大；
根据预设规则对分组中的人体关键点进行连接，确定对应的人体姿态信息。
9.一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
CN201911259733.6A 2019-12-10 2019-12-10 人体姿态估计方法及设备 Pending CN110969138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259733.6A CN110969138A (zh) 2019-12-10 2019-12-10 人体姿态估计方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259733.6A CN110969138A (zh) 2019-12-10 2019-12-10 人体姿态估计方法及设备

Publications (1)

Publication Number Publication Date
CN110969138A true CN110969138A (zh) 2020-04-07

Family

ID=70033798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259733.6A Pending CN110969138A (zh) 2019-12-10 2019-12-10 人体姿态估计方法及设备

Country Status (1)

Country Link
CN (1) CN110969138A (zh)

Cited By (2)

* 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
WO2022228252A1 (zh) * 2021-04-27 2022-11-03 北京百度网讯科技有限公司 人体行为检测方法、装置、电子设备以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062526A (zh) * 2017-12-15 2018-05-22 厦门美图之家科技有限公司 一种人体姿态估计方法及移动终端
CN109299685A (zh) * 2018-09-14 2019-02-01 北京航空航天大学青岛研究院 用于人体关节3d坐标估计的推断网络及其方法
CN109598234A (zh) * 2018-12-04 2019-04-09 深圳美图创新科技有限公司 关键点检测方法和装置
CN109948453A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于卷积神经网络的多人姿态估计方法
CN110096929A (zh) * 2018-01-30 2019-08-06 微软技术许可有限责任公司 基于神经网络的目标检测
CN110309790A (zh) * 2019-07-04 2019-10-08 闽江学院 一种用于道路目标检测的场景建模方法和装置
CN110348335A (zh) * 2019-06-25 2019-10-18 平安科技（深圳）有限公司 行为识别的方法、装置、终端设备及存储介质
CN110443144A (zh) * 2019-07-09 2019-11-12 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法
CN110532873A (zh) * 2019-07-24 2019-12-03 西安交通大学 一种联合人体检测与姿态估计的深度网络学习方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062526A (zh) * 2017-12-15 2018-05-22 厦门美图之家科技有限公司 一种人体姿态估计方法及移动终端
CN110096929A (zh) * 2018-01-30 2019-08-06 微软技术许可有限责任公司 基于神经网络的目标检测
CN109299685A (zh) * 2018-09-14 2019-02-01 北京航空航天大学青岛研究院 用于人体关节3d坐标估计的推断网络及其方法
CN109598234A (zh) * 2018-12-04 2019-04-09 深圳美图创新科技有限公司 关键点检测方法和装置
CN109948453A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于卷积神经网络的多人姿态估计方法
CN110348335A (zh) * 2019-06-25 2019-10-18 平安科技（深圳）有限公司 行为识别的方法、装置、终端设备及存储介质
CN110309790A (zh) * 2019-07-04 2019-10-08 闽江学院 一种用于道路目标检测的场景建模方法和装置
CN110443144A (zh) * 2019-07-09 2019-11-12 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法
CN110532873A (zh) * 2019-07-24 2019-12-03 西安交通大学 一种联合人体检测与姿态估计的深度网络学习方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HEI LAW 等: "CornerNet: Detecting Objects as Paired Keypoints", 《ARXIV:1808.01244V2》 *
JONATHAN LONG 等: "Fully Convolutional networks for semantic segmentation", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
KAIWEN DUAN 等: "CenterNet: Keypoint Triplets for Object Detection", 《ARXIV:1904.08189V3》 *
XINGYI ZHOU 等: "Objects as Points", 《ARXIV:1904.07850V2》 *
ZHE CAO 等: "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
邹伟 等: "《深度学习：基于MATLAB的设计实例》", 30 April 2018 *

Cited By (3)

* 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
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
WO2022228252A1 (zh) * 2021-04-27 2022-11-03 北京百度网讯科技有限公司 人体行为检测方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN109426782B (zh) 对象检测方法和用于对象检测的神经网络系统
CN111199564B (zh) 智能移动终端的室内定位方法、装置与电子设备
CN111104925B (zh) 图像处理方法、装置、存储介质和电子设备
CN108280843A (zh) 一种视频目标检测跟踪方法及设备
CN106326853A (zh) 一种人脸跟踪方法及装置
Liu et al. Study of human action recognition based on improved spatio-temporal features
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
WO2019127102A1 (zh) 信息处理方法、装置、云处理设备以及计算机程序产品
Hsu et al. Deep hierarchical network with line segment learning for quantitative analysis of facial palsy
CN113743273B (zh) 基于视频图像目标检测的实时跳绳计数方法、装置和设备
CN104463240A (zh) 一种控制列表界面的方法及装置
CN110969138A (zh) 人体姿态估计方法及设备
Suljagic et al. Similarity based person re-identification for multi-object tracking using deep Siamese network
KR20220098312A (ko) 이미지 내 관련 대상 검출 방법, 장치, 디바이스 및 기록 매체
CN111444850A (zh) 一种图片检测的方法和相关装置
Ni et al. An improved adaptive ORB-SLAM method for monocular vision robot under dynamic environments
Fei et al. Flow-pose Net: An effective two-stream network for fall detection
CN110909655A (zh) 一种识别视频事件的方法及设备
CN112861808B (zh) 动态手势识别方法、装置、计算机设备及可读存储介质
CN110889393A (zh) 人体姿态估计方法及设备
CN111310590B (zh) 一种动作识别方法及电子设备
CN114972492A (zh) 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质
CN116958873A (zh) 行人跟踪方法、装置、电子设备及可读存储介质
US20230360256A1 (en) Contextual instance decoupling-based multi-person pose estimation method and apparatus
JP2018120402A (ja) イベント検出装置、イベント検出方法、プログラム

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication