基于改进CPN的人体关键点定位算法研究

人体骨骼关键点定位是计算机理解图片或视频中人物行为的重要步骤,但定位的准确率很容易受到遮挡、干扰、复杂背景等因素的影响。把注意力模型引入CPN特征金字塔网络对之进行改进,以提升网络定位的准确率。注意力模型CBAM通过学习权重,分别对特征图通道和空间像素进行加权,实现自动感知特征图各区域的重要程度。金字塔网络通过上采样等方式将深层和浅层特征融合起来。该方法利用COCO数据集进行测试和对比实验,结果表明,该方法改善原CPN网络及当前方法在遮挡、干扰、背景复杂等情况下检测不准的问题,平均准确率和平均召回率均有所提高。与当前主要关键点定位算法相比,该算法的定位准确率或精度有一定优势。

基于卷积神经网络的人体姿态估计算法综述

人体姿态估计是通过人体关键点的定位进行人体姿态描述的方法。介绍了当前视觉领域的传统方法和研究热点,对基于卷积神经网络的二维人体姿态估计方法进行了重点介绍,阐述了单人和多人人体姿态估计两大类场景下的主流方法,解析了算法应用的深度神经网络结构,分析了算法的主要特点,并对主流算法的性能进行了对比。同时,对常用主流人体姿态估计数据集进行了介绍,给出了主流方法在这些数据集上的性能指标。

基于卷积神经网络的人体姿态估计方法研究

人体姿态估计是人机交互、行为识别应用中的关键环节,但相关估计算法在特征尺度变化中并不能准确的预测人体姿态。针对这一问题,基于卷积神经网络,设计了基于端到端方式的单人上肢姿态估计方法,通过对单人图像样本进行测试实验,验证所采取的方法能准确识单人上肢姿态,具有实际的应用价值。