CN113591683A - 姿态估计方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种姿态估计方法，涉及人工智能领域，尤其涉及计算机视觉、深度学习和增强现实技术领域。具体实现方案为：对视频帧序列中的目标对象进行检测，得到用于标记上述目标对象在视频帧序列中所在区域的包围框；在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点；以及根据上述多个关键点确定新的包围框，并在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至上述预设帧为上述视频帧序列中的最后一帧。本公开还提供了一种姿态估计装置、电子设备和存储介质。

Description

姿态估计方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉、深度学习和增强现实技术。更具体地，本公开提供了一种姿态估计方法、装置、电子设备和存储介质。

背景技术

人体姿态估计是指对图像或视频每一帧中的人体关键点进行估计。当前基于视频的人体姿态估计方案中的关键点可以表征人体的关节。

发明内容

本公开提供了一种姿态估计方法、装置、设备以及存储介质。

根据第一方面，提供了一种姿态他估计方法，该方法包括：对视频帧序列中的目标对象进行检测，得到用于标记上述目标对象在视频帧序列中所在区域的包围框；在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点；以及根据上述多个关键点确定新的包围框，并在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至上述预设帧为上述视频帧序列中的最后一帧。

根据第二方面，提供了一种姿态估计装置，该方法包括：检测模块，用于对视频帧序列中的目标对象进行检测，得到用于标记上述目标对象在视频帧序列中所在区域的包围框；估计模块，用于在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点；以及确定模块，用于根据上述多个关键点确定新的包围框，并在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至上述预设帧为上述视频帧序列中的最后一帧。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现根据本公开提供的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的一个实施例的可以应用姿态估计方法和装置的示例性系统架构示意图；

图2是根据本公开的一个实施例的姿态估计方法的流程图；

图3是根据本公开的另一个实施例的姿态估计方法的流程图；

图4A是根据本公开的一个实施例的姿态估计模型的原理图；

图4B是根据本公开一个实施例的姿态估计模型的卷积核的示意图；

图4C是根据本公开一个实施例的姿态估计模型的卷积核注入空洞后的示意图；

图5A至图5D是根据本公开另一个实施例的姿态估计方法的原理图；

图6是根据本公开的一个实施例的姿态估计装置的框图；

图7示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

人体姿态估计是指对图像或视频每一帧中的人体关键点估计。

例如，可以选用bottom-up(自下而上)的方式进行人姿态估计，先估计出每一个关键点坐标位置，再根据所有的关键点组合每个实例。但此种方式容易受到背景的干扰，尤其是在背景信息过多时，很容易出现多人关键点交叉的错误，难以提高精度。

又例如，也可以先使用目标检测模型检测出每一个用户的bbox(bounding box，边界框)，再采用top-down(自上而下)计算出每一个用户的关键点坐标。但此种方式需要对每一帧都先调用检测器，性能较差。需要说明的是，本实施例中的目标检测模型并不是针对某一特定用户的目标检测模型，并不能反映出某一特定用户的个人信息。

又例如，也可以再在top-down方式基础上，在帧问以上一帧的关键点计算出的包围框作为下一帧的包围框的基础。然而，以上一帧的包围框为基础，则很容易出现包围框太大导致模型难以聚焦特征位置的情况，也难以应对背景信息过多的情况，导致精度难以进一步提高。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

图1是根据本公开一个实施例的可以应用姿态估计方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101通过网络102与服务器103进行交互，以接收或发送消息等。终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。

本公开实施例所提供的姿态估计方法一般可以由服务器103执行。相应地，本公开实施例所提供的姿态估计装置一般可以设置于服务器103中。本公开实施例所提供的姿态估计方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的姿态估计装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中。

图2是根据本公开的一个实施例的姿态估计方法的流程图。

如图2所示，该姿态估计方法200可以包括操作S210～操作S230。

在操作S210，对视频帧序列中的目标对象进行检测，得到用于标记上述目标对象在视频帧序列中所在区域的包围框。

在本公开的实施例中，视频帧序列可以包括至少两帧图像。

例如，视频帧序列可以是1秒内的24帧图像。又例如，视频帧序列可以是从用户上传的视频中提取出的多帧视频图像组成的序列。本实施例中的视频帧序列可以来自公开数据集，或者视频帧序列的获取是经过了视频帧序列中目标对象对应用户的授权。

在本公开的实施例中，可以按照预设的间隔，对视频帧序列中的开始的几帧图像进行检测，直至可以得到至少一个包围框。

例如，视频帧序列中开始的几帧图像中可能没有目标对象或者只有部分目标对象，因此若无法得到包围框。可以对下一帧进行检测，直至得到包围框。在一个示例中，若根据第一帧的图像无得到包围框，可以将第二帧输入目标检测模型中进行检测。

在本公开的实施例中，可以得到包围框的原始顶点坐标、原始宽度和原始高度。

例如，包围框为矩形框，原始顶点坐标可以是包围框的四个顶点中任一个顶点的坐标，也可以是包围框中心点的坐标。进而根据原始顶点坐标、原始宽度和原始高度，可以在视频帧上确定一个包围框。

在操作S220，在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点。

在本公开的实施例中，得到包围框后，该帧及之后的一帧或多帧可以作为预设帧。

例如，在视频帧序列的第三帧检测出目标对象后，得到了包围框，可以第三帧作为预设帧，也可以将其之后的一帧或多帧作为预设帧。

在本公开的实施例中，基于空洞卷积的姿态估计模型可以包括多个卷积层，其中，至少一个卷积层的卷积核是注入空洞后形成的卷积核。

例如，姿态估计模型中的一个卷积层的原卷积核为3×3的卷积核，注入空洞后，得到7×7的卷积核，该7×7的卷积核可以作为基于空洞卷积的姿态估计模型的一个卷积层的卷积核。可以将包围框内的图像截取出来，输入到该基于空洞卷积的姿态估计模型，得到目标对象的多个关键点。

需要说明的是，本实施例中的基于空洞卷积的姿态估计模型并不是针对某一特定用户的姿态估计模型，并不能反映出某一特定用户的个人信息。

在本公开的实施例中，目标对象的多个关键点可以是标识目标对象的关节的点。

例如，目标对象的关键点可以是标识手肘关节、手腕关节、肩关节、膝关节的点。

在操作S230，根据上述多个关键点确定新的包围框，并在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至上述预设帧为上述视频帧序列中的最后一帧。

在本公开的实施例中，在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，预设帧的下一帧为新的预设帧，得到新的预设帧中上述目标对象的多个关键点，进而得到新的预设帧的新的包围框。

例如，预设帧为视频帧序列的第三帧，根据第三帧图像上的目标对象的多个关键点，确定了一个新的包围框。将该新的包围框应用到视频帧序列的第四帧图像上，将该新的包围框标记的第四帧图像的图像区域输入到基于空洞卷积的姿态模型中，得到第四帧中上述目标对象的多个关键点，进而得到第四帧的新的包围框。

通过本公开实施例，使用基于空洞卷积的姿态估计模型进行关键点估计，由于空洞卷积可以获得更大的感受野信息，故而可以更好感知全局信息，从而抵抗背景信息过多的情况。

需要说明的是，通过上述操作S210～操作S230得到的目标对象的多个关键点包含了目标对象的手肘关节、手腕关节、肩关节、膝关节等信息，但是该多个关键点的获取是在经过用户授权后执行的，其获取过程符合相关法律规定。

图3是根据本公开的另一个实施例的姿态估计方法的流程图。

如图3所示，该姿态估计方法300可以包括操作S301～操作S307。

在操作S301，将上述视频帧序列逐帧输入到目标检测模型，得到用于标记上述目标对象在视频帧序列中所在区域的包围框。

在本公开的实施例中，可以将视频帧序列开始的几帧逐帧输入到目标检测模型中。

例如，视频帧序列中开始的几帧图像中可能没有目标对象或者只有部分目标对象，因此若无法得到包围框。可以将每帧图像都输入到目标检测模型中，进行检测，直至得到包围框。在一个示例中，若根据第一帧的图像没有到包围框，可以将第二帧输入目标检测模型中进行检测，直至检测到目标对象，得到包围框。

在操作S302，在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点。

在本公开的实施例中，得到包围框后，该帧及之后的一帧可以作为预设帧。

例如，在视频帧序列的第三帧检测出目标对象后，得到了包围框，可以将第三帧及之后的每一帧都作为预设帧。

在操作S303，计算上述多个关键点中每个关键点的置信度，确定上述多个关键点的置信度是否均符合预设条件。若上述多个关键点的置信度均符合预设条件，执行操作S304；若上述多个关键点的置信度中有一个或多个不符合预设条件，则执行返回至操作S301。

在本公开的实施例中，关键点的置信度为该关键点是否为目标对象的目标关节点的置信度。

例如，根据关键点的置信度可以确定下一帧图像中目标对象是否消失。例如，如果各个关键点的置信度均大于或等于预设阈值(例如0.8)，说明目标对象还在图像中，则继续执行操作S304。如果一个或部分关键点的置信度小于预设阈值(例如0.8)，说明目标对象已经离开，不在图像中，则返回操作S301，继续使用目标检测模型检测目标对象的包围框。

在操作S304，根据上述多个关键点中各个关键点的坐标确定上述新的包围框的初始宽度、初始高度以及上述新的包围框的多个顶点中的之一的初始坐标。

例如，可以在每一帧图像上建立坐标系，坐标系的原点可以位于每帧图像的左上角，各个关键点的坐标可以是(x0，y0)、(x1，y1)，...，(xn，yn)。

在一个示例中，根据上述各个关键点的坐标的分布情况，可以确定一个新的包围框，新的包围框的初始参数可以表示为B’(X’，Y’，W’，H')，其中(X’，Y’)为新的包围框的左上角的顶点的初始坐标，W’为新的包围框的初始宽度，H’为新的包围框的初始高度。各初始参数可以用如下等式(1)～(6)表示。

X’＝min(x0，x1，...，xn) (1)

Y’＝min(y0，y1，...，yn) (2)

X1＝max(x0，x1，...，xn) (3)

Y1＝max(y0，y1，...，yn) (4)

W’＝X1-X’ (5)

H’＝Y1-Y’ (6)

在本公开的实施例中，根据上述多个关键点中横坐标的最小值以及最大值，计算上述初始宽度。

例如，可以根据公式(5)得到初始宽度W’。

在本公开的实施例中，根据上述多个关键点中纵坐标的最小值以及最大值，计算上述初始高度。

例如，可以根据公式(6)得到初始高度H’。

在本公开的实施例中，根据上述多个关键点中横坐标的最小值以及纵坐标的最小值，确定上述多个顶点中的左上角的顶点的初始坐标。

例如，可以根据上述公式(1)和公式(2)得到左上角的顶点的初始坐标(X’，Y’)。

在操作S305，按照预设偏移量更新上述初始宽度、上述初始高度以及上述初始坐标，得到更新的初始宽度、更新的初始高度以及更新的初始坐标。

例如，新的包围框的更新的参数可以表示为B”(X”，Y”，W”，H”)，其中(X”，Y”)为更新的初始坐标，W’为更新的初始宽度，H’为更新的初始高度。各更新的参数可以用如下等式(7)～(10)来表示。

X”＝X’-W’*offset (7)

Y”＝Y’-H’*offset (8)

W”＝W’*(1+offset*2) (9)

H”＝H’*(1+offset*2) (10)

其中，X’为初始坐标中的横坐标，Y’为初始坐标中的纵坐标，X”为更新的初始坐标中的横坐标，Y”为更新的初始坐标中的纵坐标，W’为初始宽度，W”为更新的初始宽度，H’为初始高度，H”为更新的初始高度，offset为上述预设偏移量。

例如，按照预设的偏移量进行更新后，左上角的顶点的坐标(X’，Y’)更新为(X”，Y”)，初始宽度更新为W”，初始高度更新为H”。使用预设的偏移量更新包围框，增大了包围框的范围，尽可能的保证目标对象位于包围框内。

在操作S306，根据上述更新的初始宽度、更新的初始高度以及更新的初始坐标，确定上述新的包围框。

例如，以更新后的左上角的顶点坐标(X”，Y”)建立矩形包围框，包围框的宽度为更新的初始宽度W”，包围框的高度为更新的初始高度H”，得到针对第三帧图像的更新的包围框。

在操作S307，确定上述预设帧是否为上述视频帧序列中的最后一帧。若不是上述视频帧序列的最后一帧，则返回至操作S302，在上述预设帧的下一帧，针对新的包围框，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型。若是上述视频帧序列的最后一帧，则结束执行。

例如，将针对第三帧图像的更新的包围框作为第四帧图像的包围框，将第四帧图像上第三图像的更新包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到第四帧图像上的多个关键点，再确定新的包围框及针对第四帧图像的更新的包围框。

图4A是根据本公开的一个实施例的姿态估计模型的原理图。

如图4A所示，该姿态估计模型包括多个卷积层，比如卷积层401、卷积层402和卷积层403，其中卷积层402为空洞卷积层。

卷积层402中的卷积核是由3×3的卷积注入空洞得到，是7×7的卷积核。卷积层402的卷积核的扩张率dialt为2，扩张率dilat表示在两个卷积核中间注入(dilat-1)个空洞(即注入1个空洞)，比如在空洞的位置填0值。

图4B是根据本公开一个实施例的姿态估计模型的卷积核的示意图。

如图4B所示，该卷积核404可以是未注入空洞的卷积核，是一个3×3的卷积核。

图4C是根据本公开一个实施例的姿态估计模型的卷积核注入空洞后的示意图。

如图4C所示，该卷积核404可以是例如图4A中卷积层402的卷积核。以及，该卷积核404可以是基于例如图4B的3×3的卷积核注入空洞得到7×7卷积核。7×7卷积核相比于3×3的卷积核的感受野扩大，可以针对更大的图像区域进行特征提取，故而可以更好的感受全局信息。

图5A是根据本公开一个实施例的姿态估计方法的原理图。

如图5A所示，对视频帧序列中的预设帧的图像501中的目标对象502进行检测，得到用于标记上述目标对象502在视频帧序列中所在区域的包围框503。

本公开实施例中，姿态估计方法的执行主体可以通过各种公开、合法合规的方法获取视频帧序列，例如可以是从公开数据集处获取的，或者是经过了目标对象对应用户的授权从用户处获取的。

图5B是根据本公开另一个实施例的姿态估计方法的原理图。

将上述包围框503标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象502的多个关键点，比如肩关节对应的关键点504，左腕关节对应的关键点505，右踝关节对应的关键点506，左踝关节对应的关键点507，右腕关节对应的关键点508。

应该理解，在本公开的实施例中，还可以检测出其他关键点，上述关键点504至关键点508仅为示例。

图5C是根据本公开另一个实施例的姿态估计方法的原理图。

如图5C所示，根据上述多个关键点，可以确定一个新的包围框509。该包围框509覆盖了目标对象502的多个关键点，例如图5B中关键点504～关键点508。

图5D是根据本公开另一个实施例的姿态估计方法的原理图。

如图5D所示，针对新的包围框509，可以按照预设偏移量进行扩大，得到扩大后的新的包围框509’。在预设帧501的下一帧510中，将扩大后的新的包围框509’标记的图像区域输入基于空洞卷积的姿态估计模型中。在一个示例中，可以将扩大后的新的包围框509’的各顶点的坐标映射到预设帧501中，进而可以确定在预设帧501的下一帧510中扩大后的新的包围框509’的位置。

图6是根据本公开的一个实施例的姿态估计装置的框图。

如图6所示，该姿态估计装置600可以包括检测模块610、估计模块620和确定模块630。

检测模块610，用于对视频帧序列中的目标对象进行检测，得到用于标记上述目标对象在视频帧序列中所在区域的包围框。

估计模块620，用于在上述视频帧序列中的预设帧，将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到上述目标对象的多个关键点。

确定模块630，用于根据上述多个关键点确定新的包围框，并在上述预设帧的下一帧，针对新的包围框，返回将上述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至上述预设帧为上述视频帧序列中的最后一帧。

在一些实施例中，还包括：计算模块，用于在根据上述多个关键点确定新的包围框之前，计算上述多个关键点中每个关键点的置信度；其中，上述确定模块还用于在上述多个关键点的置信度均符合预设条件的情况下，执行根据上述多个关键点确定新的包围框的步骤。

在一些实施例中，上述检测模块还用于在上述多个关键点中的至少一个关键点的置信度不符合预设条件的情况下，返回对视频帧序列中目标对象进行检测的步骤。

在一些实施例中，上述确定模块包括：第一确定单元，用于根据上述多个关键点中各个关键点的坐标确定上述新的包围框的初始宽度、初始高度以及上述新的包围框的多个顶点中的之一的初始坐标；更新单元，用于按照预设偏移量更新上述初始宽度、上述初始高度以及上述初始坐标，得到更新的初始宽度、更新的初始高度以及更新的初始坐标；以及第二确定单元，用于根据上述更新的初始宽度、更新的初始高度以及更新的初始坐标，确定上述新的包围框。

在一些实施例中，上述第一确定单元包括：第一计算子单元，用于根据上述多个关键点中横坐标的最小值以及最大值，计算上述初始宽度；第二计算子单元，用于根据上述多个关键点中纵坐标的最小值以及最大值，计算上述初始高度；以及确定子单元，用于根据上述多个关键点中横坐标的最小值以及纵坐标的最小值，确定上述多个顶点中的左上角的顶点的初始坐标。

在一些实施例中，上述更新单元用于根据以下等式计算上述更新的初始宽度、更新的初始高度以及更新的初始坐标，

X”＝X’-W’*offSet (7)

Y”＝Y’-H’*offSet (8)

W”＝W’*(1+offSet*2) (9)

H”＝H’*(1+offSet*2) (10)

其中，X’为初始坐标中的横坐标，Y’为初始坐标中的纵坐标，X”为更新的初始坐标中的横坐标，Y”为更新的初始坐标中的纵坐标，W’为初始宽度，W”为更新的初始宽度，H’为初始高度，H”为更新的初始高度，₀ffset为上述预设偏移量。

在一些实施例中，上述检测模块用于将上述视频帧序列逐帧输入到目标检测模型，得到用于标记上述目标对象在视频帧序列中所在区域的包围框。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如姿态估计方法。例如，在一些实施例中，姿态估计方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的姿态估计方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行姿态估计方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种姿态估计方法，包括：

对视频帧序列中的目标对象进行检测，得到用于标记所述目标对象在视频帧序列中所在区域的包围框；

在所述视频帧序列中的预设帧，将所述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到所述目标对象的多个关键点；以及

根据所述多个关键点确定新的包围框，并在所述预设帧的下一帧，针对新的包围框，返回将所述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至所述预设帧为所述视频帧序列中的最后一帧。

2.根据权利要求1所述的方法，在根据所述多个关键点确定新的包围框之前，还包括：

计算所述多个关键点中每个关键点的置信度；

其中，在所述多个关键点的置信度均符合预设条件的情况下，执行根据所述多个关键点确定新的包围框的步骤。

3.根据权利要求2所述的方法，还包括：

在所述多个关键点中的至少一个关键点的置信度不符合预设条件的情况下，返回对视频帧序列中的目标对象进行检测的步骤。

4.根据权利要求1所述的方法，其中，所述根据所述多个关键点确定新的包围框包括：

根据所述多个关键点中各个关键点的坐标确定所述新的包围框的初始宽度、初始高度以及所述新的包围框的多个顶点中的之一的初始坐标；

按照预设偏移量更新所述初始宽度、所述初始高度以及所述初始坐标，得到更新的初始宽度、更新的初始高度以及更新的初始坐标；以及

根据所述更新的初始宽度、更新的初始高度以及更新的初始坐标，确定所述新的包围框。

5.根据权利要求4所述的方法，其中，所述根据所述多个关键点中各个关键点的坐标确定所述新的包围框的初始宽度、初始高度以及所述新的包围框的多个顶点中的之一的初始坐标包括：

根据所述多个关键点中横坐标的最小值以及最大值，计算所述初始宽度；

根据所述多个关键点中纵坐标的最小值以及最大值，计算所述初始高度；以及

根据所述多个关键点中横坐标的最小值以及纵坐标的最小值，确定所述多个顶点中的左上角的顶点的初始坐标。

6.根据权利要求4所述的方法，其中，所述按照预设偏移量更新所述初始宽度、所述初始高度以及所述初始坐标，得到更新的初始宽度、更新的初始高度以及更新的初始坐标包括：

根据以下等式计算所述更新的初始宽度、更新的初始高度以及更新的初始坐标，

X”＝X’-W’*offset

Y”＝Y’-H’*offset

W”＝W’*(1+offset*2)

H”＝H’*(1+offset*2)

其中，X’为初始坐标中的横坐标，Y’为初始坐标中的纵坐标，X”为更新的初始坐标中的横坐标，Y”为更新的初始坐标中的纵坐标，W’为初始宽度，W”为更新的初始宽度，H’为初始高度，H”为更新的初始高度，offset为所述预设偏移量。

7.根据权利要求1所述的方法，其中，所述对视频帧序列中的目标对象进行检测，得到用于标记所述目标对象在视频帧序列中所在区域的包围框包括：

将所述视频帧序列逐帧输入到目标检测模型，得到用于标记所述目标对象在视频帧序列中所在区域的包围框。

8.一种姿态估计装置，包括：

检测模块，用于对视频帧序列中的目标对象进行检测，得到用于标记所述目标对象在视频帧序列中所在区域的包围框；

估计模块，用于在所述视频帧序列中的预设帧，将所述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型，得到所述目标对象的多个关键点；以及

确定模块，用于根据所述多个关键点确定新的包围框，并在所述预设帧的下一帧，针对新的包围框，返回将所述包围框标记的图像区域输入到基于空洞卷积的姿态估计模型的步骤，直至所述预设帧为所述视频帧序列中的最后一帧。

9.根据权利要求8所述的装置，还包括：

计算模块，用于在根据所述多个关键点确定新的包围框之前，计算所述多个关键点中每个关键点的置信度；

其中，所述确定模块还用于在所述多个关键点的置信度均符合预设条件的情况下，执行根据所述多个关键点确定新的包围框的步骤。

10.根据权利要求9所述的装置，其中，所述检测模块还用于在所述多个关键点中的至少一个关键点的置信度不符合预设条件的情况下，返回对视频帧序列中的目标对象进行检测的步骤。

11.根据权利要求8所述的装置，其中，所述确定模块包括：

第一确定单元，用于根据所述多个关键点中各个关键点的坐标确定所述新的包围框的初始宽度、初始高度以及所述新的包围框的多个顶点中的之一的初始坐标；

更新单元，用于按照预设偏移量更新所述初始宽度、所述初始高度以及所述初始坐标，得到更新的初始宽度、更新的初始高度以及更新的初始坐标；以及

第二确定单元，用于根据所述更新的初始宽度、更新的初始高度以及更新的初始坐标，确定所述新的包围框。

12.根据权利要求11所述的装置，其中，所述第一确定单元包括：

第一计算子单元，用于根据所述多个关键点中横坐标的最小值以及最大值，计算所述初始宽度；

第二计算子单元，用于根据所述多个关键点中纵坐标的最小值以及最大值，计算所述初始高度；以及

确定子单元，用于根据所述多个关键点中横坐标的最小值以及纵坐标的最小值，确定所述多个顶点中的左上角的顶点的初始坐标。

13.根据权利要求12所述的装置，其中，所述更新单元用于根据以下等式计算所述更新的初始宽度、更新的初始高度以及更新的初始坐标，

X”＝X’-W’*offset

Y”＝Y’-H’*offset

W”＝W’*(1+offset*2)

H”＝H’*(1+offset*2)

其中，X’为初始坐标中的横坐标，Y’为初始坐标中的纵坐标，X”为更新的初始坐标中的横坐标，Y”为更新的初始坐标中的纵坐标，W’为初始宽度，W”为更新的初始宽度，H’为初始高度，H”为更新的初始高度，offset为所述预设偏移量。

14.根据权利要求8所述的装置，其中，所述检测模块用于将所述视频帧序列逐帧输入到目标检测模型，得到用于标记所述目标对象在视频帧序列中所在区域的包围框。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。

Images