[發(fā)明專利]人體姿態(tài)識別模型的訓練方法、裝置及存儲介質

有效

• 申請?zhí)枺?/td>: 202011491876.2
• 申請日: 2020-12-16
• 公開（公告）號: CN112257686B
• 公開（公告）日: 2021-07-20
• 發(fā)明（設計）人: 石海林;戴漢彬;劉穎璐;梅濤;周伯文
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 趙翠萍;張穎玲

本申請公開了一種人體姿態(tài)識別模型的訓練方法、人體姿態(tài)識別方法、裝置、電子設備及存儲介質，其中，訓練方法包括：將攜帶有人體姿態(tài)關鍵點的第一圖像輸入至人體姿態(tài)識別模型，得到第一圖像對應的第一特征圖；所述第一特征圖的第二分辨率低于所述第一圖像的第一分辨率；對所述第一特征圖中的每個像素進行至少兩次卷積，生成所述第一特征圖對應的第一熱圖；基于所述第一熱圖中每個像素的第一參數(shù)和第二參數(shù)確定損失值；所述第一參數(shù)表征對應像素在所述第一熱圖的高斯置信值；所述第二參數(shù)表征對應像素在第二熱圖的高斯置信值；所述第二熱圖表征基于所述第一圖像中攜帶的關鍵點確定出的熱圖；根據(jù)確定出的損失值更新人體姿態(tài)識別模型的權重參數(shù)。

技術領域

本申請涉及人工智能領域，尤其涉及一種人體姿態(tài)識別模型的訓練方法、人體姿態(tài)識別方法、裝置、電子設備及存儲介質。

背景技術

人體姿態(tài)識別，是利用圖像處理和機器學習方法找出圖片中人物的關鍵點位置的技術，高效且精確的人體姿態(tài)識別是行人重識別、行為分析、人機交互得以順利開展的重要基礎。在進行人體姿態(tài)識別時，存在計算開銷過大的問題，無法應用于低延遲、低功耗場景。

發(fā)明內容

有鑒于此，本申請實施例提供一種人體姿態(tài)識別模型的訓練方法、人體姿態(tài)識別方法、裝置、電子設備及存儲介質，以至少解決相關技術無法應用于低延遲、低功耗場景的問題。

本申請實施例的技術方案是這樣實現(xiàn)的：

本申請實施例提供了一種人體姿態(tài)識別模型的訓練方法，所述方法包括：

將第一圖像輸入至人體姿態(tài)識別模型，得到第一圖像對應的第一特征圖；所述第一圖像攜帶有人體姿態(tài)關鍵點；所述第一特征圖的第二分辨率低于所述第一圖像的第一分辨率；

對所述第一特征圖中的每個像素進行至少兩次卷積，生成所述第一特征圖對應的第一熱圖；

基于所述第一熱圖中每個像素的第一參數(shù)和第二參數(shù)確定損失值；所述第一參數(shù)表征對應像素在所述第一熱圖的高斯置信值；所述第二參數(shù)表征對應像素在第二熱圖的高斯置信值；所述第二熱圖表征基于所述第一圖像中攜帶的關鍵點確定出的熱圖；

根據(jù)確定出的損失值更新人體姿態(tài)識別模型的權重參數(shù)。

其中，上述方案中，所述對所述第一特征圖中的每個像素進行至少兩次卷積，生成所述第一特征圖對應的第一熱圖，包括：

對所述第一特征圖中的每個第一像素進行至少兩次卷積，生成對應的至少兩個第二像素；

按照所述第一特征圖中的第一像素的排列順序排列每個第一像素對應的第二像素，得到第二圖像；

基于所述第二圖像生成所述第一熱圖。

上述方案中，所述方法還包括：

基于所述第二圖像的第三分辨率與所述第二分辨率的倍數(shù)確定所述至少兩次卷積的卷積次數(shù)。

上述方案中，所述將第一圖像輸入至人體姿態(tài)識別模型之前，所述方法還包括：

對設定的樣本圖庫中的第三圖像進行人體目標檢測，并基于人體目標檢測過程中定位的目標矩形框對所述第三圖像進行裁剪，得到所述第一圖像。

上述方案中，所述方法還包括：

計算最近兩次確定出的損失值的差值；

在所述差值處于設定閾值范圍的情況下，停止對所述人體姿態(tài)識別模型的迭代訓練。

本申請實施例還提供了一種人體姿態(tài)識別方法，所述方法包括：

將包含人體姿態(tài)的第四圖像輸入至人體姿態(tài)識別模型，輸出所述第四圖像對應的第二特征圖；