基于卷积神经网络的2D 人体姿态估计综述*
2021-06-30乔迤,曲毅
电子技术应用 2021年6期
乔 迤,曲 毅
(武警工程大学 信息工程学院,陕西 西安 710086)
0 引言
传统的2D 人体姿态估计是通过手工提取特征或建立人体模型,来设计2D 人体部件检测器。WANG Y 等人[1]提出基于多树模型的人体姿态估计,同时表征人体部件间的运动学约束关系和依赖关系,DANTONE M 等人[2]提出建立依赖于身体部位的非线性联合回归器来预测关节位置。在特征的选取上,RAMANAN D 等人[3]使用颜色直方图来提取部位的外观特征,SAPP B 等人[4]利用级联的结构化模型来提取轮廓边缘和形状特征,YANG Y 等人[5]使用HOG 特征来建立人体各部位的混合模型。传统方法受图像背景、光照、遮挡等的影响较大,并且对于多维特征的选择主观性较强,不能很好地适应人体部件的复杂性和环境的变换,因此利用传统的基于部件模型的方法具有较大的局限性。
随着深度学习的发展,利用神经网络提取的特征具有更好的鲁棒性,基于深度学习的2D 人体姿态估计利用卷积神经网络模拟人的视觉系统,通过多层网络,得到不同感受野下的丰富特征。TOSHEV A[6]等人首次基于级联的深度神经网络搭建了人体关节点回归的网络框架,从而摆脱了传统方法无法充分利用图像整体信息的局限性,实现精准的关节点定位和姿态提取。作为计算机视觉的基本任务,人体姿态估计发展状况与虚拟现实、人机交互、智能视频监控和运动行为分析等研究领域都紧密相连。本文主要对基于深度学习的2D 人体姿态估计方法进行梳理和总结,按视频图像中的人体数量,将人体姿态估计分为单人和多人场景下的检测,并分别阐述了人体姿态估计的常用方法,列举了测试基准数据集和评价准则。……
登录APP查看全文
