一种轻量化实时人体姿势检测模型研究与应用

传统的OpenPose模型在人体姿势检测方面精度较好但速度较慢。为了在保证检测精度的前提下加快检测速度、缩小模型,在传统OpenPose模型基础上,使用添加二阶项融合的残差网络提取底层特征,再通过L1范数权值对训练后的模型进行权值修剪,提出了改进型OpenPose模型。实验结果表明,在检测精度大致等同原模型情况下,模型大小缩小至约8%,参数减少近83%,检测速度提升约5倍。将改进的OpenPose模型应用到仰卧起坐体育健康测试中,结果表明该模型对仰卧起坐动作检测精度达到97%。

无人CT智能姿态识别算法研究

针对新冠肺炎疫情中肺部CT检查需要医生人工指导矫正姿态和交叉感染风险大的问题,提出基于人体姿态识别的无人CT智能姿态识别算法。通过CT-OpenPose模型检测人体姿势,该算法在OpenPose模型基础上,解决了传统模型硬件性能要求高、检测速度慢和复杂环境下检测精度下降等问题,使用带自适应软阈值残差网络、跨层连接机制和权值修剪的方法对传统模型在底层特征提取方式、底层特征处理流程、模型训练和压缩方面进行改进。实验结果表明,在无人CT姿态识别任务中,CT-OpenPose模型检测精度高于传统模型,为83.6%,尤其在人体关键部位被臃肿的衣物或防护衣物遮挡的情况下,检测速度是传统模型的近3倍,达到42.2 f/s,具备较高的实用性。