基于AlphaPose模型的远距离行人头部姿态估计算法

在公共场所的监控视频中,远距离的行人目标头部区域占比往往较小并且头部区域分辨率较低,仅靠目标检测算法和头部姿态估计模型检测并分类头部特征来判定头部姿态或注视方向存在较大难度.考虑到目前不同分辨率下的人体骨骼关键点估计算法越来越成熟,本研究提出一种利用骨骼关键点和头部姿态之间的关系来进行远距离行人的头部姿态估计算法.该算法首先利用AlphaPose模型检测出二维人体骨骼关键点的全局坐标值,然后根据部分骨骼关键点的坐标值计算出头部朝向象限角度,最后根据预设角度范围计算并可视化出视线落点.目前,尚没有公开发布的可用于远距离行人头部姿态估计的数据集,因此本文建立了一个远距离行人头部姿态系统,以对现有的数据集进行标注,并利用标注的数据集对提出的方法进行测试.结果表明,本文提出的算法可以较精准地判定到远距离行人的头部姿态和注视方向,准确率达到69.7%.

面向无人驾驶的行人三维姿态估计方法

实时、高精度的行人三维姿态估计可有效提升无人驾驶汽车智能化水平。在Open Pose深度学习基础上,提取人体2D关节点,通过建立简化人体躯干数学模型来计算躯干空间位置和姿态,并以单个肢体为对象,通过分层式优化计算求解人体四肢关节角,进而确定人体3D姿态。主、客观实验测试结果表明,行人各关节空间位置平均误差低于78 mm,算法平均处理时间每帧低于52 ms。