[發(fā)明專利]一種基于YOLOv3算法的多人姿態(tài)估計(jì)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910069350.6
• 申請(qǐng)日: 2019-01-24
• 公開（公告）號(hào): CN109815901A
• 公開（公告）日: 2019-05-28
• 發(fā)明（設(shè)計(jì)）人: 蔡哲棟;應(yīng)娜;黃鐸;楊鵬
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 杭州千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種基于YOLOv3算法的多人姿態(tài)估計(jì)方法，其特征在于，包括以下步驟：

S1:處理綜合數(shù)據(jù)集，得到單類行人的數(shù)據(jù)集；

S2：設(shè)計(jì)圖片切割提取模塊，將YOLOv3算法和Stacked Hourglass算法結(jié)合得到多人姿態(tài)估計(jì)網(wǎng)絡(luò)框架；

S3：訓(xùn)練S1所述數(shù)據(jù)集得到單類行人檢測(cè)的YOLOv3網(wǎng)絡(luò)模型，訓(xùn)練MPII數(shù)據(jù)集得到Hourglass姿態(tài)估計(jì)網(wǎng)絡(luò)模型；

將訓(xùn)練得到的YOLOv3網(wǎng)絡(luò)模型和級(jí)聯(lián)4個(gè)Hourglass網(wǎng)絡(luò)得到的Stacked Hourglass網(wǎng)絡(luò)模型進(jìn)行結(jié)合，得到基于YOLOv3算法的多人姿態(tài)估計(jì)網(wǎng)絡(luò)模型；

S4：輸入原始圖像，得到多人姿態(tài)估計(jì)建議的圖像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3具體實(shí)施步驟如下：

S3.1：利用Darknet深度學(xué)習(xí)框架進(jìn)行單類行人的YOLOv3網(wǎng)絡(luò)模型訓(xùn)練；利用Pytorch深度學(xué)習(xí)框架進(jìn)行Hourglass網(wǎng)絡(luò)模型訓(xùn)練，將訓(xùn)練好的4個(gè)Hourglass網(wǎng)絡(luò)模型進(jìn)行級(jí)聯(lián)得到Stacked Hourglass網(wǎng)絡(luò)模型；

S3.2：利用訓(xùn)練得到的YOLOv3網(wǎng)絡(luò)模型進(jìn)行行人檢測(cè)識(shí)別，通過極大值抑制得到置信度最高的人體包圍框；

S3.3：將人體包圍框進(jìn)行切割提取，輸入至Stacked Hourglass網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì)建議；

S3.4：利用中心點(diǎn)回歸原則進(jìn)行姿態(tài)估計(jì)建議回歸，得到多人姿態(tài)估計(jì)建議。

3.如權(quán)利要求1所述的方法，其特征在于：

所述YOLOv3網(wǎng)絡(luò)的核心網(wǎng)絡(luò)為Darknet-53網(wǎng)絡(luò)，包含52個(gè)卷積層和1個(gè)全連接層，所述卷積層之間加入殘差網(wǎng)絡(luò)。

4.如權(quán)利要求1所述的方法，其特征在于：

所述圖片切割提取模塊，用于將原始圖片切割提取為符合Stacked Hourglass網(wǎng)絡(luò)輸入要求的圖片尺寸大小，并去除原始圖片的負(fù)面影響。

5.如權(quán)利要求1所述的方法，其特征在于：

所述Stacked Hourglass網(wǎng)絡(luò)是級(jí)聯(lián)4個(gè)Hourglass網(wǎng)絡(luò)形成的單人姿態(tài)估計(jì)網(wǎng)絡(luò)。