[發明專利]一種基于ResNet的人體測量基準點識別方法

在審

• 申請號: 202011168142.0
• 申請日: 2020-10-28
• 公開（公告）號: CN112365454A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 劉葆華;龐善臣;董玉坤;陶茜茜;劉富彬
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于ResNet的人體測量基準點識別方法，本方法可以從人體正交圖像中準確識別出測量基準點。本發明首先利用自主采集的人體正交圖像標注測量基準點，然后對正面和側面圖像分別訓練ResNet模型，利用該模型識別基準點的位置熱圖，最后從位置熱圖中返回基準點的準確坐標。通過實驗證明，本發明提供的技術方案相比與傳統檢測基準點方法，能極大提高基準點檢測的準確率，并且在面對不同體型的人體時具有更高的魯棒性。

技術領域

本發明涉及一種人體測量基準點識別方法，特別涉及一種基于深度卷積神經網絡ResNet的人體測量基準點識別方法。

背景技術

從2D人體圖像中獲取人體尺寸依賴與身體部位高度相關的測量基準點，基準點識別的準確率直接影響到測量尺寸的誤差。因此，在復雜的人體圖像中快速、準確的識別出測量基準點十分重要。

目前，人體測量基準點識別方法主要分為三個步驟：首先從人體圖像中提取人體輪廓線；然后通過計算輪廓上的梯度變化，找出梯度變化最明顯的點作為主要基準點，利用主要基準點將輪廓線分段，在每一段輪廓線上再次計算更細致的梯度變化，找出所有次要基準點；最后，篩選出與身體部位相關的基準點作為量體基準點。

現有的基準點識別方法存在以下缺點：檢測到無用的基準點數量多且與身體部位相關性低，篩選過程復雜；輪廓提取算法會造成誤差，加大了提取基準點的難度；在面對特殊體型的人體時，比如過胖或過瘦，人體輪廓線梯度變化不明顯，從而無法提取到關鍵部位的基準點，即對不同的體型魯棒性差。

深度卷積神經網絡在關鍵點識別方面展現出了強大的優勢，利用卷積神經網絡可以從圖像中提取深層次的特征，隱式的學習人體體型的空間結構及基準點在人體空間中的位置信息。準確識別基準點位置信息十分困難，主要原因是人體姿勢和體型的形變空間大，不同的姿勢和體型中包括了大量信息，需要較深的神經網絡。其中，ResNet在傳統神經網絡中引入殘差，防止卷積神經網絡在特征傳遞的過程中丟失重要的信息，并有效的解決了深層網絡中的退化問題，即非過擬合引起的準確率下降。但還沒有人將這一方法應用到測量基準點的識別當中，因此，將ResNet神經網絡和測量基準點識別相融合變得至關重要。

發明內容

為了解決特殊體型的人基準點識別不準確，本發明提出了一種基于ResNet的人體測量基準點識別方法，本發明利用ResNet可以快速學習到人體結構的差異和基準點在人體空間中的位置信息的特點，根據其算法原理設計基于ResNet的測量基準點識別的方法。

本發明所采用的技術方案如下：

一種基于ResNet的人體測量基準點識別方法，包括以下部分：

A、在訓練圖像中標出人體測量基準點并生成高斯熱圖；

B、訓練識基準點所需的ResNet模型；

C、利用熱圖的置信度從模型檢測出的基準點熱圖中返回基準點的精確坐標；

部分A中，所述的在訓練圖像中標出人體測量基準點并生成高斯熱圖是指：根據國家標準對基準點的相關規定，在正面和側面人體圖像分別標出所需的共28個測量基準點，然后使用高斯響應模版在基準點處生成半徑為2個像素值大小的熱圖，因為使用熱圖的方式比使用坐標具有更高的識別準確率。

部分B中，所述的訓練識別基準點所需的ResNet模型是指：識別不同的基準點需要不同的ResNet模型，根據在A中標識的基準點，分別對人體正面圖像和側面圖像進行訓練。

部分C中，所述的利用熱圖的置信度從檢測出的基準點熱圖中返回基準點的精確坐標是指：模型輸出的是基準點的位置熱圖，其中熱圖中置信度最大的像素的位置坐標就是基準點的準確位置。

附圖說明

為了更清楚的說明本發明的技術方案，下面將對發明內容中所需要使用的附圖作簡要地介紹。