CN111401230B - 姿态估计方法及装置、电子设备和存储介质 - Google Patents

姿态估计方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111401230B
CN111401230B CN202010176868.2A CN202010176868A CN111401230B CN 111401230 B CN111401230 B CN 111401230B CN 202010176868 A CN202010176868 A CN 202010176868A CN 111401230 B CN111401230 B CN 111401230B
Authority
CN
China
Prior art keywords
processed
image
determining
frame
image frame
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.)
Active
Application number
CN202010176868.2A
Other languages
English (en)
Other versions
CN111401230A (zh
Inventor
王靖博
林达华
颜思捷
熊元俊
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010176868.2A priority Critical patent/CN111401230B/zh
Publication of CN111401230A publication Critical patent/CN111401230A/zh
Application granted granted Critical
Publication of CN111401230B publication Critical patent/CN111401230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Abstract

本公开涉及一种姿态估计方法及装置、电子设备和存储介质，所述方法包括：对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征；对所述各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态。本公开实施例可以输出更加平滑的预测三维姿态。

Description

姿态估计方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种姿态估计方法及装置、电子设备和存储介质。
背景技术
姿态估计是指从输入的图像或者视频中，估计出骨架关节点的坐标。因其广泛的应用场景，越来越受到学术界和工业界的关注，例如，智能安防，行为识别，虚拟现实，游戏建模等场景都需要用到姿态估计技术。但是，由于单目传感器采集的二维图像中缺少景深信息，以及存在遮挡等问题，导致三维姿态估计的输出结果的动作连贯性和准确性较低。
发明内容
本公开提出了一种姿态估计方法及装置、电子设备和存储介质的技术方案。
根据本公开的第一方面，提供了一种姿态估计方法方法，包括：对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征；对所述各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态。
利用待处理图像帧序列在时间维度上降维得到的不同时间尺度的多个第一特征图序列来确定姿态特征，使得可以通过考虑时间维度的冗余性来提高姿态特征的准确性，进而根据姿态特征进行三维姿态估计时，可以输出更加平滑的预测三维姿态。
在一种可能的实现方式中，所述对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列，包括：利用二维姿态估计算法对所述待处理图像帧序列进行数据处理，确定所述待处理图像帧序列对应的二维姿态数据；对所述二维姿态数据在时间维度上进行降维，确定所述不同时间尺度的多个第一特征图序列。
通过确定待处理图像帧序列对应的二维姿态数据，使得为后续在时间维度上确定不同时间尺度的多个第一特征图序列做好了准备工作。
在一种可能的实现方式中，所述对所述二维姿态数据在时间维度上进行降维，确定所述不同时间尺度的多个第一特征图序列，包括：根据所述二维姿态数据，通过在时间维度上执行多次下采样操作，确定所述不同时间尺度的多个第一特征图序列。
通过对待处理图像帧序列在时间维度进行压缩，从而可以降低计算量，提高三维姿态估计的效率。
在一种可能的实现方式中，所述根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征，包括：根据所述不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，其中，所述目标时间尺度为所述待处理图像帧序列对应的时间尺度；将所述目标时间尺度下的多个第二特征图序列进行特征融合，确定所述各待处理图像帧对应的姿态特征。
将不同时间尺度的多个第一特征图序列均恢复到目标时间尺度，进而再将目标时间尺度下的多个第二特征图序列进行特征融合，使得融合后的特征具有时间维度的冗余性，进而可以得到准确度较高的各待处理图像帧对应的姿态特征。
在一种可能的实现方式中，所述根据所述不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，包括：根据所述不同时间尺度的多个第一特征图序列，通过在时间维度上执行多次上采样操作，确定不同时间尺度的多个第三特征图序列；针对任一时间尺度，将该时间尺度下的第一特征图序列和第三特征图序列进行特征融合，确定该时间尺度下的第四特征图序列；针对不同时间尺度下的第四特征图序列执行上采样操作，确定所述目标时间尺度下的多个第二特征图序列。
通过对不同阶段(上采样阶段和下采样阶段)提取到的相同时间尺度的特征图序列进行融合，使得任一时间尺度下的融合后的特征可以具有该时间尺度下的冗余性。
在一种可能的实现方式中，所述姿态估计方法通过姿态估计神经网络实现。
在一种可能的实现方式中，所述姿态估计神经网络的训练样本包括所述待处理图像帧序列和各待处理图像帧对应的参考三维姿态；所述方法还包括：根据所述预测三维姿态和所述参考三维姿态，确定第一估计损失；至少根据所述第一估计损失，训练所述姿态估计神经网络。
在一种可能的实现方式中，所述训练样本中还包括各待处理图像帧之间的参考运动特征；所述至少根据所述第一估计损失，训练所述姿态估计神经网络，包括：对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征；根据所述预测运动特征和所述参考运动特征，确定第二估计损失；根据所述第一估计损失和所述第二估计损失，训练所述姿态估计神经网络。
由于参考运动特征可以反映各待处理图像帧之间的运动变化状态的真值，利用参考运动特征对姿态估计神经网络进行监督训练，可以使得训练后得到的姿态估计神经网络可以输出更加平滑准确的预测三维姿态。
在一种可能的实现方式中，各待处理图像帧对应的预测三维姿态包括多个关节点在各待处理图像帧中的三维坐标，所述多个关节点包括一个第一关节点和至少一个第二关节点；所述对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征，包括：针对任一第二关节点，根据所述第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及所述第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，其中，第t帧待处理图像和第t+τ帧待处理图像为所述待处理图像帧序列中时间间隔为τ的两帧待处理图像，τ为大于等于1小于T的整数，t为大于等于1小于等于T-τ的整数，T为所述待处理图像帧序列对应的时间尺度；根据所述至少一个第二关节点在各待处理图像帧之间的运动编码，确定所述预测运动特征。
在一种可能的实现方式中，所述针对任一第二关节点，根据所述第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及所述第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，包括：根据所述第一关节点和所述第二关节点在第t帧待处理图像中的三维坐标，确定第一特征向量；根据所述第一关节点和所述第二关节点在第t+τ帧待处理图像中的三维坐标，确定第二特征向量；根据所述第一特征向量和所述第二特征向量的叉积，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码。
针对姿态估计神经网络输出的各待处理图像帧对应的预测三维姿态，通过对各待处理图像帧对应的预测三维姿态进行运动编码，综合考虑各关节点的长时间旋转信息，从而可以得到用于监督姿态估计神经网络训练的预测运动特征。
根据本公开的第二方面，提供了一种姿态估计方法，包括：针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过上述第一方面所述的方法进行数据处理，确定所述图像帧序列中各图像帧对应的预测三维姿态；根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图；输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
根据本公开的第三方面，提供了一种姿态估计装置，包括：第一确定模块，用于对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；第二确定模块，用于根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征；第三确定模块，用于对所述各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态。
根据本公开的第四方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述第一方面所述的方法。
根据本公开的第六方面，提供了一种姿态估计装置，包括：第一确定模块，用于针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过上述第一方面所述的方法进行数据处理，确定所述图像帧序列中各图像帧对应的预测三维姿态；第二确定模块，用于根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图；第三确定模块，用于输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
根据本公开的第七方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述第二方面所述的方法。
根据本公开的第八方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述第二方面所述的方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的姿态估计方法的流程图；
图2示出根据本公开实施例的姿态估计神经网络的示意图；
图3示出根据本公开实施例的第二关节点在各待处理图像帧之间的运动编码的示意图；
图4示出根据本公开实施例的姿态估计方法的流程图；
图5示出根据本公开实施例的姿态估计装置的框图；
图6示出根据本公开实施例的姿态估计装置的框图；
图7示出根据本公开实施例的电子设备的框图
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的姿态估计方法的流程图。如图1所示的姿态估计方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该姿态估计方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。在一些可能的实现方式中，该姿态估计方法可以应用于智能安防，行为识别，虚拟现实，游戏建模等需要用到姿态估计的应用场景。如图1所示，该方法可以包括：
在步骤S11中，对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列。
在步骤S12中，根据不同时间尺度的多个第一特征图序列，确定待处理图像帧序列中各待处理图像帧对应的姿态特征。
在步骤S13中，对各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态。
利用待处理图像帧序列在时间维度上降维得到的不同时间尺度的多个第一特征图序列来确定姿态特征，使得可以通过考虑时间维度的冗余性来提高姿态特征的准确性，进而根据姿态特征进行三维姿态估计时，可以输出更加平滑的预测三维姿态。
其中，待处理图像帧序列可以是视频采集设备对运动的目标进行采集得到的视频流中的图像帧序列，也可以是其它方式得到的图像中包括运动的目标的图像帧序列，目标可以为人体，也可以为动物体，还可以为其它目标体，本公开对此不做具体限定。
在一种可能的实现方式中，对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列，包括：利用二维姿态估计算法对待处理图像帧序列进行数据处理，确定待处理图像帧序列对应的二维姿态数据；对二维姿态数据在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列。其中，待处理图像帧序列对应的二维姿态数据包括待处理图像帧序列中各待处理图像帧对应的二维姿态。
利用物体检测算法提取各待处理图像帧中的包括运动的目标的检测框；基于各待处理图像帧中提取出的检测框，根据二维姿态估计算法对各待处理图像帧进行数据处理，确定各待处理图像帧对应的二维姿态，其中，各待处理图像帧对应的二维姿态包括多个关节点在各待处理图像帧中的二维坐标。通过确定待处理图像帧序列对应的二维姿态数据，使得为后续在时间维度上确定不同时间尺度的多个第一特征图序列做好了准备工作。
在一种可能的实现方式中，姿态估计方法通过姿态估计神经网络实现。下面详细介绍通过姿态估计网络对待处理图像帧序列进行三维姿态估计的过程。
在一种可能的实现方式中，对二维姿态数据在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列，包括：根据二维姿态数据，通过在时间维度上执行多次下采样操作，确定不同时间尺度的多个第一特征图序列。
通过对待处理图像帧序列在时间维度进行压缩，从而可以降低计算量，提高三维姿态估计的效率。
例如，待处理图像帧序列的目标时间尺度为6帧(即，待处理图像帧序列中包括的待处理图像帧的总帧数为6帧)，具体包括：第一待处理图像帧、第二待处理图像帧、第三待处理图像帧、第四待处理图像帧、第五待处理图像帧和第六待处理图像帧。对待处理图像帧序列在时间维度上执行下采样操作，采样步长为2，则采样后得到时间尺度为3帧的第一特征图序列，具体包括：第一待处理图像帧、第三待处理图像帧和第五待处理图像帧。根据待处理图像帧序列，在时间维度上执行下采样操作的具体采样方式除了上述方式之外，还可以采用其它采样方式，采样步长和采样次数可以根据实际情况定，本公开对此不做具体限定。
图2示出根据本公开实施例的姿态估计神经网络的示意图。如图2所示，将基于目标时间尺度为96帧的待处理图像帧序列得到的待处理图像帧序列对应的二维姿态数据输入姿态估计神经网络，在时间维度上执行四次采样步长为2的下采样操作：对二维姿态数据执行下采样，得到第一时间尺度(48帧)下的第一特征图序列；对第一时间尺度(48帧)下的第一特征图序列执行下采样，得到第二时间尺度(24帧)下的第一特征图序列；对第二时间尺度(24帧)下的第一特征图序列执行下采样，得到第三时间尺度(12帧)下的第一特征图序列；对第三时间尺度(12帧)下的第一特征图序列执行下采样，得到第四时间尺度(6帧)下的第一特征图序列。
在一种可能的实现方式中，根据不同时间尺度的多个第一特征图序列，确定待处理图像帧序列中各待处理图像帧对应的姿态特征，包括：根据不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，其中，目标时间尺度为待处理图像帧序列对应的时间尺度；将目标时间尺度下的多个第二特征图序列进行特征融合，确定各待处理图像帧对应的姿态特征。
将不同时间尺度的多个第一特征图序列均恢复到目标时间尺度，进而再将目标时间尺度下的多个第二特征图序列进行特征融合，使得融合后的特征具有时间维度的冗余性，进而可以得到准确度较高的各待处理图像帧对应的姿态特征。
例如，根据不同时间尺度的多个第一特征图序列，确定目标时间尺度(4帧)下的两个第二特征图序列，其中，第二特征图序列A中包括：第一帧特征图a、第二帧特征图b、第三帧特征图c和第四帧特征图d；第二特征图序列A'中包括：第一帧特征图a'、第二帧特征图b'、第三帧特征图c'和第四帧特征图d'。将第二特征图序列A和第二图特征序列A'进行特征融合，例如，在空间维度进行特征融合，即，将第一帧特征图a和第一帧特征图a'中的对应像素点进行融合，将第二帧特征图b和第二帧特征图b'中的对应像素点进行融合，将第三帧特征图c和第三帧特征图c'中的对应像素点进行融合，将第四帧特征图d和第四帧特征图d'中的对应像素点进行融合。
在一种可能的实现方式中，根据不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，包括：根据不同时间尺度的多个第一特征图序列，通过在时间维度上执行多次上采样操作，确定不同时间尺度的多个第三特征图序列；针对任一时间尺度，将该时间尺度下的第一特征图序列和第三特征图序列进行特征融合，得到该时间尺度下的第四特征图序列；针对不同时间尺度下的第四特征图序列执行上采样操作，得到目标时间尺度下的多个第二特征图序列。
通过对不同阶段(上采样阶段和下采样阶段)提取到的相同时间尺度下的第一特征图序列和第三特征图序列进行特征融合，使得任一时间尺度下的融合后的特征可以具有该时间尺度下的冗余性。其中，相同时间尺度下的第一特征图序列和第三特征图序列进行特征融合的具体融合方式，与上述将目标时间尺度下的多个第二特征图序列进行特征融合相似，这里不再赘述。
仍以上述图2为例，对第四时间尺度(6帧)下的第一特征图序列执行上采样，得到第三时间尺度(12帧)下的第三特征图序列，将第三时间尺度(12帧)下的第三特征图序列和第三时间尺度(12帧)下的第一特征图序列在空间维度进行特征融合，得到第三时间尺度(12帧)下的第四特征图序列；对第三时间尺度(12帧)下的第四特征图序列执行上采样，得到第二时间尺度(24帧)下的第三特征图序列，将第二时间尺度(24帧)下的第三特征图序列和第二时间尺度(24帧)下的第一特征图序列在空间维度进行特征融合，得到第二时间尺度(24帧)下的第四特征图序列；对第二时间尺度(24帧)下的第四特征图序列执行上采样，得到第一时间尺度(48帧)下的第三特征图序列，将第一时间尺度(48帧)下的第三特征图序列和第一时间尺度(48帧)下的第一特征图序列在空间维度进行特征融合，得到第一时间尺度(48帧)下的第四特征图序列；对第一时间尺度(48帧)下的第四特征图序列执行上采样，得到目标时间尺度(96帧)下的第三特征图序列，将目标时间尺度(96帧)下的第三特征图序列和目标时间尺度(96帧)下的二维姿态数据在空间维度进行特征融合，得到目标时间尺度(96帧)下的第二特征图序列；将第四时间尺度(6帧)下的第一特征图序列、第三时间尺度(12帧)下的第四特征图序列、第二时间尺度(24帧)下的第四特征图序列、第一时间尺度(48帧)下的第四特征图序列分别执行上采样，得到四个目标时间尺度(96帧)下的第二特征图序列；最后，将各个目标时间尺度(96帧)下的第二特征图序列在空间维度进行特征融合，得到用于进行三维姿态估计的各待处理图像帧对应的姿态特征。
仍以上述图2为例，在确定各待处理图像帧对应的姿态特征后，姿态估计神经网络利用各待处理图像帧对应的姿态特征，得到各待处理图像帧对应的预测三维姿态。
在一种可能的实现方式中，姿态估计神经网络的训练样本包括待处理图像帧序列和各待处理图像帧对应的参考三维姿态；该方法还包括：根据预测三维姿态和参考三维姿态，确定第一估计损失；至少根据第一估计损失，训练姿态估计神经网络。
在本公开实施例中，可以预先创建姿态估计神经网络的训练样本，训练样本中可以包括待处理图像帧序列和待处理图像帧序列中各待处理图像帧对应的参考三维姿态(即各待处理图像帧对应的三维姿态的真值)，进而可以基于训练样本对姿态估计神经网络进行训练。
仍以上述图2为例，如图2所示，基于姿态估计神经网络确定各待处理图像帧对应的预测三维姿态后，根据姿态估计神经网络输出的预测三维姿态和训练样本中包括的参考三维姿态，通过第一损失函数计算第一估计损失，进而基于第一估计损失反向传播训练姿态估计神经网络，例如，根据第一估计损失调整姿态估计神经网络的网络参数，直至第一估计损失满足姿态估计神经网络的训练要求。其中，第一损失函数可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，训练样本中还包括各待处理图像帧之间的参考运动特征；至少根据第一估计损失，训练姿态估计神经网络，包括：对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征；根据预测运动特征和参考运动特征，确定第二估计损失；根据第一估计损失和第二估计损失，训练姿态估计神经网络。
由于参考运动特征可以反映各待处理图像帧之间的运动变化状态的真值，因此，利用参考运动特征对姿态估计神经网络进行监督训练，可以使得训练后得到的姿态估计神经网络可以输出更加平滑准确的预测三维姿态。
仍以上述图2为例，如图2所示，在基于姿态估计神经网络确定各待处理图像帧对应的预测三维姿态后，对各待处理图像帧对应的预测三维姿态进行运动编码得到预测运动特征，以及基于参考运动特征与预测运动特征，通过第二损失函数计算第二估计损失，进而基于第一估计损失和第二估计损失反向传播训练姿态估计神经网络，例如，根据第一估计损失和第二估计损失调整姿态估计神经网络的网络参数，直至第一估计损失和第二估计损失均满足姿态估计神经网络的训练要求。其中，第二损失函数可以根据实际情况确定，本公开对此不做具体限定。下面详细介绍对各待处理图像帧对应的预测三维姿态进行运动编码的过程。
在一种可能的实现方式中，各待处理图像帧对应的预测三维姿态包括多个关节点在各待处理图像帧中的三维坐标，多个关节点包括一个第一关节点和至少一个第二关节点；对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征，包括：针对任一第二关节点，根据第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，其中，第t帧待处理图像和第t+τ帧待处理图像为待处理图像帧序列中时间间隔为τ的两帧待处理图像，τ为大于等于1小于T的整数，t为大于等于1小于等于T-τ的整数，T为待处理图像帧序列对应的时间尺度；根据至少一个第二关节点在各待处理图像帧之间的运动编码，确定预测运动特征。
在一种可能的实现方式中，针对任一第二关节点，根据第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，包括：根据第一关节点和第二关节点在第t帧待处理图像中的三维坐标，确定第一特征向量；根据第一关节点和第二关节点在第t+τ帧待处理图像中的三维坐标，确定第二特征向量；根据第一特征向量和第二特征向量的叉积，确定第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码。
针对姿态估计神经网络输出的各待处理图像帧对应的预测三维姿态，通过对各待处理图像帧对应的预测三维姿态进行运动编码，综合考虑各关节点的长时间旋转信息，从而可以得到用于监督姿态估计神经网络训练的预测运动特征。
运动的目标具有多个关节点，在多个关节点中确定一个第一关节点(根节点)，第一关节点以外的其它关节点确定为第二关节点。运动编码过程即确定同一第二关节点在不同时刻下的待处理图像帧中绕第一关节点的运动变化状态。其中，第一关节点可以是位于目标的中心位置的关节点，也可以是其它任一个关节点，本公开对此不做具体限定。
图3示出根据本公开实施例的第二关节点在各待处理图像帧之间的运动编码的示意图。根据姿态估计神经网络得到的各待处理图像帧对应的预测三维姿态，可以确定第一关节点和各第二关节点在各待处理图像帧中的三维坐标。针对某一第二关节点，根据第一关节点和该第二关节点在第t帧待处理图像中的三维坐标，确定第一特征向量st,j；根据第一关节点和该第二关节点在第t+τ帧待处理图像中的三维坐标，确定第二特征向量s(t+τ),j，通过下述叉积公式(一)确定该第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码：
mt,j,τ＝st,j×s(t+τ),j＝||st,j||||s(t+τ),j||sinθ·η (一)，
其中，||st,j||为第一关节点和该第二关节点在第t帧待处理图像中的距离，||s(t+τ),j||为第一关节点和该第二关节点在第t+τ帧待处理图像中的距离，θ为第一特征向量st,j和第二特征向量s(t+τ),j之间的夹角(也即该第二关节点相对于第一关节点在第t帧待处理图像和第t+τ帧待处理图像之间的旋转角)，η为与第一特征向量st,j和第二特征向量s(t+τ),j所在平面均垂直的单位矢量(也即第一关节点对应的旋转轴的方向)。
根据各第二关节点在各待处理图像帧之间的运动编码，确定预测运动特征：M＝{mt,j,τ|t＝1,...，(T-τ)；j＝1,...,N；τ∈T}。其中，T为待处理图像帧序列对应的时间尺度，即待处理图像帧序列中包括的总帧数，N为第二关节点的总个数。
通过本公开实施例提供的姿态估计方法，利用待处理图像帧序列在时间维度上降维得到的不同时间尺度的多个第一特征图序列来确定姿态特征，使得可以通过考虑时间维度的冗余性来提高姿态特征的准确性，进而根据姿态特征进行三维姿态估计时，可以输出更加平滑的预测三维姿态。
图4示出根据本公开实施例的姿态估计方法的流程图。如图4所示的姿态估计方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该姿态估计方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图4所示，该方法可以包括：
在步骤S41中，针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过上述姿态估计方法进行数据处理，确定图像帧序列中各图像帧对应的预测三维姿态。
在步骤42中，根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图。
在步骤43中，输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
本公开实施例的姿态估计方法可以应用于智能安防，行为识别，虚拟现实，游戏建模等需要用到姿态估计的应用场景，其中，目标可以为人体，也可以为动物体，还可以为其它目标体，本公开对此不做具体限定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了姿态估计装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种姿态估计方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的姿态估计装置的框图。如图5所示，装置50包括：
第一确定模块51，用于对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；
第二确定模块52，用于根据不同时间尺度的多个第一特征图序列，确定待处理图像帧序列中各待处理图像帧对应的姿态特征；
第三确定模块53，用于对各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态。
在一种可能的实现方式中，第一确定模块51，包括：
第一确定子模块，用于利用二维姿态估计算法对待处理图像帧序列进行数据处理，确定待处理图像帧序列对应的二维姿态数据；
第二确定子模块，用于对二维姿态数据在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列。
在一种可能的实现方式中，第二确定子模块具体用于：
根据二维姿态数据，通过在时间维度上执行多次下采样操作，确定不同时间尺度的多个第一特征图序列。
在一种可能的实现方式中，第二确定模块52，包括：
第三确定子模块，用于根据不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，其中，目标时间尺度为待处理图像帧序列对应的时间尺度；
第四确定子模块，用于将目标时间尺度下的多个第二特征图序列进行特征融合，确定各待处理图像帧对应的姿态特征。
在一种可能的实现方式中，第三确定子模块具体用于：
根据不同时间尺度的多个第一特征图序列，通过在时间维度上执行多次上采样操作，确定不同时间尺度的多个第三特征图序列；
针对任一时间尺度，将该时间尺度下的第一特征图序列和第三特征图序列进行特征融合，确定该时间尺度下的第四特征图序列；
针对不同时间尺度下的第四特征图序列执行上采样操作，确定目标时间尺度下的多个第二特征图序列。
在一种可能的实现方式中，姿态估计装置通过姿态估计神经网络实现。
在一种可能的实现方式中，姿态估计神经网络的训练样本包括待处理图像帧序列和各待处理图像帧对应的参考三维姿态；
装置50还包括：
第四确定模块，用于根据预测三维姿态和参考三维姿态，确定第一估计损失；
训练模块，用于至少根据第一估计损失，训练姿态估计神经网络。
在一种可能的实现方式中，训练样本中还包括各待处理图像帧之间的参考运动特征；
训练模块，包括：
第五确定子模块，用于对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征；
第六确定子模块，用于根据预测运动特征和参考运动特征，确定第二估计损失；
训练子模块，用于根据第一估计损失和第二估计损失，训练姿态估计神经网络。
在一种可能的实现方式中，各待处理图像帧对应的预测三维姿态包括多个关节点在各待处理图像帧中的三维坐标，多个关节点包括一个第一关节点和至少一个第二关节点；
第五确定子模块，包括：
第一确定单元，用于针对任一第二关节点，根据第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，其中，第t帧待处理图像和第t+τ帧待处理图像为待处理图像帧序列中时间间隔为τ的两帧待处理图像，τ为大于等于1小于T的整数，t为大于等于1小于等于T-τ的整数，T为待处理图像帧序列对应的时间尺度；
第二确定单元，根据至少一个第二关节点在各待处理图像帧之间的运动编码，确定预测运动特征。
在一种可能的实现方式中，第一确定单元具体用于：
根据第一关节点和第二关节点在第t帧待处理图像中的三维坐标，确定第一特征向量；
根据第一关节点和第二关节点在第t+τ帧待处理图像中的三维坐标，确定第二特征向量；
根据第一特征向量和第二特征向量的叉积，确定第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码。
图6示出根据本公开实施例的姿态估计装置的框图。如图6所示，装置60包括：
第一确定模块61，用于针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过上述姿态估计方法进行数据处理，确定图像帧序列中各图像帧对应的预测三维姿态；
第二确定模块62，用于根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图；
第三确定模块63，用于输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的姿态估计方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的姿态估计方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备的框图。如图8所示，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种姿态估计方法，其特征在于，包括：
对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；
根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征；
对所述各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态；
其中，所述根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征，包括：
根据所述不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，其中，所述目标时间尺度为所述待处理图像帧序列对应的时间尺度；
将所述目标时间尺度下的多个第二特征图序列进行特征融合，确定所述各待处理图像帧对应的姿态特征。
2.根据权利要求1所述的方法，其特征在于，所述对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列，包括：
利用二维姿态估计算法对所述待处理图像帧序列进行数据处理，确定所述待处理图像帧序列对应的二维姿态数据；
对所述二维姿态数据在时间维度上进行降维，确定所述不同时间尺度的多个第一特征图序列。
3.根据权利要求2所述的方法，其特征在于，所述对所述二维姿态数据在时间维度上进行降维，确定所述不同时间尺度的多个第一特征图序列，包括：
根据所述二维姿态数据，通过在时间维度上执行多次下采样操作，确定所述不同时间尺度的多个第一特征图序列。
4.根据权利要求1所述的方法，其特征在于，所述根据所述不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，包括：
根据所述不同时间尺度的多个第一特征图序列，通过在时间维度上执行多次上采样操作，确定不同时间尺度的多个第三特征图序列；
针对任一时间尺度，将该时间尺度下的第一特征图序列和第三特征图序列进行特征融合，确定该时间尺度下的第四特征图序列；
针对不同时间尺度下的第四特征图序列执行上采样操作，确定所述目标时间尺度下的多个第二特征图序列。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述姿态估计方法通过姿态估计神经网络实现。
6.根据权利要求5所述的方法，其特征在于，所述姿态估计神经网络的训练样本包括所述待处理图像帧序列和各待处理图像帧对应的参考三维姿态；
所述方法还包括：
根据所述预测三维姿态和所述参考三维姿态，确定第一估计损失；
至少根据所述第一估计损失，训练所述姿态估计神经网络。
7.根据权利要求6所述的方法，其特征在于，所述训练样本中还包括各待处理图像帧之间的参考运动特征；
所述至少根据所述第一估计损失，训练所述姿态估计神经网络，包括：
对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征；
根据所述预测运动特征和所述参考运动特征，确定第二估计损失；
根据所述第一估计损失和所述第二估计损失，训练所述姿态估计神经网络。
8.根据权利要求7所述的方法，其特征在于，各待处理图像帧对应的预测三维姿态包括多个关节点在各待处理图像帧中的三维坐标，所述多个关节点包括一个第一关节点和至少一个第二关节点；
所述对各待处理图像帧对应的预测三维姿态进行运动编码，确定各待处理图像帧之间的预测运动特征，包括：
针对任一第二关节点，根据所述第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及所述第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，其中，第t帧待处理图像和第t+τ帧待处理图像为所述待处理图像帧序列中时间间隔为τ的两帧待处理图像，τ为大于等于1小于T的整数，t为大于等于1小于等于T-τ的整数，T为所述待处理图像帧序列对应的时间尺度；
根据所述至少一个第二关节点在各待处理图像帧之间的运动编码，确定所述预测运动特征。
9.根据权利要求8所述的方法，其特征在于，所述针对任一第二关节点，根据所述第二关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，以及所述第一关节点在第t帧待处理图像中和第t+τ帧待处理图像中的三维坐标，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码，包括：
根据所述第一关节点和所述第二关节点在第t帧待处理图像中的三维坐标，确定第一特征向量；
根据所述第一关节点和所述第二关节点在第t+τ帧待处理图像中的三维坐标，确定第二特征向量；
根据所述第一特征向量和所述第二特征向量的叉积，确定所述第二关节点在第t帧待处理图像和第t+τ帧待处理图像之间的运动编码。
10.一种姿态估计方法，其特征在于，包括：
针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过权利要求1-9任一项所述的方法进行数据处理，确定所述图像帧序列中各图像帧对应的预测三维姿态；
根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图；
输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
11.一种姿态估计装置，其特征在于，包括：
第一确定模块，用于对待处理图像帧序列在时间维度上进行降维，确定不同时间尺度的多个第一特征图序列；
第二确定模块，用于根据所述不同时间尺度的多个第一特征图序列，确定所述待处理图像帧序列中各待处理图像帧对应的姿态特征；
第三确定模块，用于对所述各待处理图像帧对应的姿态特征进行数据处理，确定各待处理图像帧对应的预测三维姿态；
其中，所述第二确定模块包括：
第三确定子模块，用于根据所述不同时间尺度的多个第一特征图序列，确定目标时间尺度下的多个第二特征图序列，其中，所述目标时间尺度为所述待处理图像帧序列对应的时间尺度；
第四确定子模块，用于将所述目标时间尺度下的多个第二特征图序列进行特征融合，确定所述各待处理图像帧对应的姿态特征。
12.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1-9任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-9任一项所述的方法。
14.一种姿态估计装置，其特征在于，包括：
第一确定模块，用于针对视频采集设备对运动的目标进行采集得到的第一视频流中的图像帧序列，通过权利要求1-9任一项所述的方法进行数据处理，确定所述图像帧序列中各图像帧对应的预测三维姿态；
第二确定模块，用于根据各图像帧对应的预测三维姿态，确定各图像帧对应的骨架图；
第三确定模块，用于输出和/或显示由各图像帧对应的骨架图构成的第二视频流。
15.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求10所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求10所述的方法。
CN202010176868.2A 2020-03-13 2020-03-13 姿态估计方法及装置、电子设备和存储介质 Active CN111401230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176868.2A CN111401230B (zh) 2020-03-13 2020-03-13 姿态估计方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176868.2A CN111401230B (zh) 2020-03-13 2020-03-13 姿态估计方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111401230A CN111401230A (zh) 2020-07-10
CN111401230B true CN111401230B (zh) 2023-11-28

Family

ID=71428828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176868.2A Active CN111401230B (zh) 2020-03-13 2020-03-13 姿态估计方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111401230B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200165A (zh) * 2020-12-04 2021-01-08 北京软通智慧城市科技有限公司 模型训练方法、人体姿态估计方法、装置、设备及介质
CN114470750B (zh) * 2021-07-06 2022-12-30 荣耀终端有限公司 图像帧流的显示方法、电子设备和存储介质
CN113920466A (zh) * 2021-10-29 2022-01-11 上海商汤智能科技有限公司 先验空间的生成方法、装置、计算机设备和存储介质
CN113850236B (zh) * 2021-11-29 2022-04-15 深圳市优必选科技股份有限公司 3d姿态估计方法、装置和计算机设备及存储介质
CN114332939B (zh) * 2021-12-30 2024-02-06 浙江核新同花顺网络信息股份有限公司 一种位姿序列生成方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021900A (zh) * 2007-03-15 2007-08-22 上海交通大学 利用降维方法进行人脸姿态估计的方法
CN105488519A (zh) * 2015-11-13 2016-04-13 同济大学 一种基于视频尺度信息的视频分类方法
CN109215080A (zh) * 2018-09-25 2019-01-15 清华大学 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置
CN109271933A (zh) * 2018-09-17 2019-01-25 北京航空航天大学青岛研究院 基于视频流进行三维人体姿态估计的方法
CN109492560A (zh) * 2018-10-26 2019-03-19 深圳力维智联技术有限公司 基于时间尺度的人脸图像特征融合方法、装置和存储介质
DE102018130924A1 (de) * 2017-12-08 2019-06-13 Nvidia Corporation Systeme und Verfahren zur dynamischen Gesichtsanalyse mittels eines rekurrenten neuronalen Netzes
CN110427877A (zh) * 2019-08-01 2019-11-08 大连海事大学 一种基于结构信息的人体三维姿态估算的方法
CN110555387A (zh) * 2019-08-02 2019-12-10 华侨大学 骨架序列中基于局部关节点轨迹时空卷的行为识别方法
CN110837778A (zh) * 2019-10-12 2020-02-25 南京信息工程大学 一种基于骨架关节点序列的交警指挥手势识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021900A (zh) * 2007-03-15 2007-08-22 上海交通大学 利用降维方法进行人脸姿态估计的方法
CN105488519A (zh) * 2015-11-13 2016-04-13 同济大学 一种基于视频尺度信息的视频分类方法
DE102018130924A1 (de) * 2017-12-08 2019-06-13 Nvidia Corporation Systeme und Verfahren zur dynamischen Gesichtsanalyse mittels eines rekurrenten neuronalen Netzes
CN109271933A (zh) * 2018-09-17 2019-01-25 北京航空航天大学青岛研究院 基于视频流进行三维人体姿态估计的方法
CN109215080A (zh) * 2018-09-25 2019-01-15 清华大学 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置
CN109492560A (zh) * 2018-10-26 2019-03-19 深圳力维智联技术有限公司 基于时间尺度的人脸图像特征融合方法、装置和存储介质
CN110427877A (zh) * 2019-08-01 2019-11-08 大连海事大学 一种基于结构信息的人体三维姿态估算的方法
CN110555387A (zh) * 2019-08-02 2019-12-10 华侨大学 骨架序列中基于局部关节点轨迹时空卷的行为识别方法
CN110837778A (zh) * 2019-10-12 2020-02-25 南京信息工程大学 一种基于骨架关节点序列的交警指挥手势识别方法

Also Published As

Publication number Publication date
CN111401230A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401230B (zh) 姿态估计方法及装置、电子设备和存储介质
CN110674719B (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN109829863B (zh) 图像处理方法及装置、电子设备和存储介质
JP7178514B2 (ja) 場面深度とカメラ運動を予測する方法及び装置、機器、媒体並びにプログラム
CN112991553B (zh) 信息展示方法及装置、电子设备和存储介质
CN111563138B (zh) 定位方法及装置、电子设备和存储介质
CN114088062B (zh) 目标定位方法及装置、电子设备和存储介质
JP7316456B2 (ja) 点群マップ構築方法及びその装置、電子機器、記憶媒体並びにプログラム
CN112991381A (zh) 图像处理方法及装置、电子设备和存储介质
CN114581525A (zh) 姿态确定方法及装置、电子设备和存储介质
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN112837372A (zh) 数据生成方法及装置、电子设备和存储介质
CN111325786A (zh) 图像处理方法及装置、电子设备和存储介质
CN113052874B (zh) 目标跟踪方法及装置、电子设备和存储介质
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质
CN113506325B (zh) 图像处理方法及装置、电子设备和存储介质
CN114549983A (zh) 计算机视觉模型训练方法及装置、电子设备和存储介质
CN114445753A (zh) 人脸跟踪识别方法及装置、电子设备和存储介质
CN114519794A (zh) 特征点匹配方法及装置、电子设备和存储介质
CN109543544B (zh) 跨光谱图像匹配方法及装置、电子设备和存储介质
CN112461245A (zh) 数据处理方法及装置、电子设备和存储介质
CN112800954A (zh) 文本检测方法及装置、电子设备和存储介质
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质
CN112330721A (zh) 三维坐标的恢复方法及装置、电子设备和存储介质
CN112837361A (zh) 一种深度估计方法及装置、电子设备和存储介质

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