基于机器学习的人体姿态估计模型研究

设计了一种新型姿态估计算法,支持同步执行多个任务,在行人姿态估计中可以达到较好的效果。网络中划分为主网络、子网络两大部分,前者采用的主要是Darknet53网络,用于实现特征提取的功能;后者划分为关键点检测以及行人检测两大部分,分别基于特征金字塔、YOLOv3,将网络融合之后具备了显著的优势,继承了各个网络的优点,在保证姿态识别精度的同时提高了效率,减少了预测的时间,适合于应用到实时性要求较高的场景中。通过姿态残差网络来学习先前获得的姿态信息,解决了由于行人重叠或者遮挡等导致的图像模糊问题,依然保持了较高的识别精度,相对于其他的方法达到更高的准确性。基于与其他算法(CMU-Pose、Newel)进行对比的结果可知,设计的算法在COCO数据集中的预测精度达到了67.2%,效率为20 FPS,相对于其他算法无论在效率还是在精度上均显著提高,这表明提出的算法在保证准确率的同时具有实时性处理效果。