CN108389227A - 一种基于多视图深感知器框架的三维姿势估计方法 - Google Patents

一种基于多视图深感知器框架的三维姿势估计方法 Download PDF

Info

Publication number
CN108389227A
CN108389227A CN201810171088.1A CN201810171088A CN108389227A CN 108389227 A CN108389227 A CN 108389227A CN 201810171088 A CN201810171088 A CN 201810171088A CN 108389227 A CN108389227 A CN 108389227A
Authority
CN
China
Prior art keywords
network
view
dimensional
perceptron
encoder
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201810171088.1A
Other languages
English (en)
Inventor
夏春秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN201810171088.1A priority Critical patent/CN108389227A/zh
Publication of CN108389227A publication Critical patent/CN108389227A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明中提出的一种基于多视图深感知器框架的三维姿势估计方法，其主要内容包括：特定视图感知器网络、多视图集成网络、分层跳跃连接、数据预处理、训练和评估，其过程为，特定视图感知器网络从不同的视图中提取二维形状和分层纹理信息，特定视图感知器网络针对各个视图产生映射，由编码器和解码器组成的沙漏网络构建每个关节的高分辨率热图，利用沙漏网络的跳跃连接来实现多视图集成网络，多视图集成网络合成来自所有可用视图的信息，提供准确的三维姿态。本发明将层次结构信息与估计关节热图结合起来推断三维结构，可以克服直接测量和观测***的局限性，对三维姿势的估计具有更高的准确性。

Description

一种基于多视图深感知器框架的三维姿势估计方法
技术领域
本发明涉及姿势估计领域，尤其是涉及了一种基于多视图深感知器框架的三维姿势估计方法。
背景技术
人体姿势估计是近年来计算机视觉领域的研究热点。计算机***通过从图像或视频中提取人体姿势画面，对人体的姿势进行分析和统计，从而对人物的行为进行判断。因此，人体姿势估计具有极为广泛的应用。在异常行为检测***的应用中，通过对视频监控画面中的人物姿势进行实时地检测和分析，当画面中出现打架斗殴、偷窃等行为时，***能及时记录并发出警报。在体育运动姿势分析的应用中，利用三维姿势估计的视频分析***对运动员训练时的视频数据进行分析处理，计算出相关的运动参数并进行专业分析，从而为下次训练提供针对性指导；其也可用于比赛战术分析，通过对对手的比赛视频进行分析处理，能够分析对手姿势的相关数据，从而协助运动员制定相关战术方案。在体感互动游戏的应用中，通过实时监控玩家的姿势和运动状态，将玩家在屏幕前的身体姿势和动作转化为数据传递给游戏***，从而实现人机交互。近年来开发的捕捉三维人体姿态的***，如直接测量和观测***，这些***较为昂贵，且耗时较长，准确性不高。
本发明提出了一种基于多视图深感知器框架的三维姿势估计方法，特定视图感知器网络从不同的视图中提取二维形状和分层纹理信息，特定视图感知器网络针对各个视图产生映射，由编码器和解码器组成的沙漏网络构建每个关节的高分辨率热图，利用沙漏网络的跳跃连接来实现多视图集成网络，多视图集成网络合成来自所有可用视图的信息，提供准确的三维姿态。本发明将层次结构信息与估计关节热图结合起来推断三维结构，可以克服直接测量和观测***的局限性，对三维姿势的估计具有更高的准确性。
发明内容
针对现有***较为昂贵，且耗时较长，准确性不高的问题，本发明的目的在于提供一种基于多视图深感知器框架的三维姿势估计方法，特定视图感知器网络从不同的视图中提取二维形状和分层纹理信息，特定视图感知器网络针对各个视图产生映射，由编码器和解码器组成的沙漏网络构建每个关节的高分辨率热图，利用沙漏网络的跳跃连接来实现多视图集成网络，多视图集成网络合成来自所有可用视图的信息，提供准确的三维姿态。
为解决上述问题，本发明提供一种基于多视图深感知器框架的三维姿势估计方法，其主要内容包括：
(一)特定视图感知器网络；
(二)多视图集成网络；
(三)分层跳跃连接；
(四)数据预处理；
(五)训练和评估。
其中，所述的基于多视图深感知器框架的三维姿势估计方法，这种方法由两个网络组成：一个“特定视图感知器”网络从不同的视图中提取二维形状和分层纹理信息；而“多视图集成”网络则可以合成来自所有可用视图的信息，提供准确的三维姿态。
其中，所述的特定视图感知器网络，特定视图感知器网络从每个视图提取丰富的信息，其中不仅包括二维形状，还包括用于下一步三维推断的分层纹理信息；每个二维身体姿势由J热图表示，其中J表示身体关节的数量；设为视图i的输入RGB图像， 为视图i的第s个纹理特征映射，为视图i的第j个联合热图；然后，针对第i个视图的特定视图感知器网络(f)映射如下：
中间监督是通过像素热图损失来执行的：
其中，‖·‖是欧几里德距离，是通过高斯核函数从标定好的真实二维姿态渲染的，其平均值等于标定好的真实数据和方差；接着使用由编码器和解码器组成的沙漏网络。
进一步地，所述的沙漏网络，编码器使用卷积和合并的图层来处理输入图像，生成低分辨率的特征图，解码器使用上采样和卷积层处理低分辨率特征图，构建每个关节的高分辨率热图；沙漏网络的关键组成部分之一是跳跃连接，即每个汇聚层之前的特征映射，它们直接添加到解码器中的对应部分，防止编码器中高分辨率信息的丢失；这些网络的分层跳跃连接以不同比例共享丰富的纹理信息；因此，建议通过将它们提供给多视图集成网络来将它们用于更高效的三维推理；它们允许使用更丰富的梯度信号，并且可以提供更多的三维提示，而不仅是使用热图和未处理的输入图像的组合。
其中，所述的多视图集成网络，多视图集成网络集成了多个视图的信息来合成三维姿态估计；该网络的输入是针对N个不同视图的特定视图感知器网络的输出的连接，并且输出是三维姿态；每个三维姿势骨架被定义为三维空间中的一组关节协调；因此多视图集成网络(g)的映射如下：
通过假设三维关节注释可用于训练数据集，损失函数可以定义为：
其中，pj和分别是标定好的真实数据和估计关节j的三维坐标；
提出一种自下而上的数据驱动方法，它直接从视觉特定感知器网络的输出生成三维姿态骨架；多视图集成网络被设计为编码器。
进一步地，所述的编码器，测试两种类型的编码器：首先，编码器由一系列内核和步长为2的卷积层构成，其中特征映射的分辨率在每一层都是一半；其次，一个类似于沙漏网络第一部分的编码器，其中包括最大汇集层和标准卷积层被一堆残差学习模块所取代；第一和第二网络架构分别称为简单的编码器和半沙漏网络；对于两种网络体系结构，编码器输出然后被转发到输出大小为3×J的全连接层，用于估计三维姿态骨架并测量训练的损失函数；可以看出，从残差模块中受益并且周期性***最大池层的半沙漏网络可以提供比简单编码器网络更精确的三维姿态比较。
其中，所述的分层跳跃连接，利用沙漏网络的跳跃连接来实现多视图集成网络；在提出的框架中，沙漏网络的编码器部分产生的四个跳跃连接中的每一个都用残差模块处理，并与半沙漏网络中的对应部分相加；为了处理多视图设置，每个跳跃连接应在作为网络输入之前在视图之间连接起来。
其中，所述的数据预处理，为了准备训练图像，从视频中下采样图像；每个视频包括200帧，每秒30帧的速率，只采用奇数帧来防止过度拟合；所有的图像被调整为256×256像素，并被裁剪，使主***于中心；三维关节注释由动作捕捉***提供。
进一步地，所述的三维关节注释，选择23个标记来定义包括头部、颈部、左/右肩、左/右肘、左/右手腕、左/右髋、左/右膝和左/右踝在内的14个关节，并仅使用这些关节的轨迹用于训练网络的关节；整个数据集中每个关节的协调从零到一归一化；预处理之后，数据结构由视频的每个奇数帧的裁剪图像和对应的标准化三维关节注释组成。
其中，所述的训练和评估，提出一种两阶段的训练战略，在第一阶段使用沙漏模型，并在举重数据集上对其进行微调，学习率为0.00025，经过5个时期；在第二阶段，通过使用双视图图像和相应的归一化三维姿态骨架，在举重数据集上从头开始对多视图集成模型进行训练；对于50个时期，模型的学习率为0.0005；
为了评估网络对于单视图和双视图设置的性能，进行两个实验：首先，网络针对单视图设置进行了训练，分别使用90度和135度视图；其次，该网络被训练成使用两个视图共同作为网络输入的双视图设置；在所有的实验中，所有对象的重复和举重任务作为训练数据集，所有对象的重复作为测试数据集。
附图说明
图1是本发明一种基于多视图深感知器框架的三维姿势估计方法的***流程图。
图2是本发明一种基于多视图深感知器框架的三维姿势估计方法的多视图深感知器框架。
图3是本发明一种基于多视图深感知器框架的三维姿势估计方法的多视图集成网络。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于多视图深感知器框架的三维姿势估计方法的***流程图。主要包括特定视图感知器网络，多视图集成网络，分层跳跃连接，数据预处理，训练和评估。
特定视图感知器网络从不同的视图中提取二维形状和分层纹理信息，特定视图感知器网络针对各个视图产生映射，由编码器和解码器组成的沙漏网络构建每个关节的高分辨率热图，利用沙漏网络的跳跃连接来实现多视图集成网络，多视图集成网络合成来自所有可用视图的信息，提供准确的三维姿态。
其中，为了准备训练图像，从视频中下采样图像；每个视频包括200帧，每秒30帧的速率，只采用奇数帧来防止过度拟合；所有的图像被调整为256×256像素，并被裁剪，使主***于中心；三维关节注释由动作捕捉***提供。
选择23个标记来定义包括头部、颈部、左/右肩、左/右肘、左/右手腕、左/右髋、左/右膝和左/右踝在内的14个关节，并仅使用这些关节的轨迹用于训练网络的关节；整个数据集中每个关节的协调从零到一归一化；预处理之后，数据结构由视频的每个奇数帧的裁剪图像和对应的标准化三维关节注释组成。
提出一种两阶段的训练战略，在第一阶段使用沙漏模型，并在举重数据集上对其进行微调，学习率为0.00025，经过5个时期；在第二阶段，通过使用双视图图像和相应的归一化三维姿态骨架，在举重数据集上从头开始对多视图集成模型进行训练；对于50个时期，模型的学习率为0.0005；
为了评估网络对于单视图和双视图设置的性能，进行两个实验：首先，网络针对单视图设置进行了训练，分别使用90度和135度视图；其次，该网络被训练成使用两个视图共同作为网络输入的双视图设置；在所有的实验中，所有对象的重复和举重任务作为训练数据集，所有对象的重复作为测试数据集。
图2是本发明一种基于多视图深感知器框架的三维姿势估计方法的多视图深感知器框架。特定视图感知器网络从每个视图提取丰富的信息，其中不仅包括二维形状，还包括用于下一步三维推断的分层纹理信息；每个二维身体姿势由J热图表示，其中J表示身体关节的数量；设为视图i的输入RGB图像，为视图i的第s个纹理特征映射，为视图i的第j个联合热图；然后，针对第i个视图的特定视图感知器网络(f)映射如下：
中间监督是通过像素热图损失来执行的：
其中，‖·‖是欧几里德距离，是通过高斯核函数从标定好的真实二维姿态渲染的，其平均值等于标定好的真实数据和方差；接着使用由编码器和解码器组成的沙漏网络。
编码器使用卷积和合并的图层来处理输入图像，生成低分辨率的特征图，解码器使用上采样和卷积层处理低分辨率特征图，构建每个关节的高分辨率热图；沙漏网络的关键组成部分之一是跳跃连接，即每个汇聚层之前的特征映射，它们直接添加到解码器中的对应部分，防止编码器中高分辨率信息的丢失；这些网络的分层跳跃连接以不同比例共享丰富的纹理信息；因此，建议通过将它们提供给多视图集成网络来将它们用于更高效的三维推理；它们允许使用更丰富的梯度信号，并且可以提供更多的三维提示，而不仅是使用热图和未处理的输入图像的组合。
利用沙漏网络的跳跃连接来实现多视图集成网络；在提出的框架中，沙漏网络的编码器部分产生的四个跳跃连接中的每一个都用残差模块处理，并与半沙漏网络中的对应部分相加；为了处理多视图设置，每个跳跃连接应在作为网络输入之前在视图之间连接起来。
图3是本发明一种基于多视图深感知器框架的三维姿势估计方法的多视图集成网络。多视图集成网络集成了多个视图的信息来合成三维姿态估计；该网络的输入是针对N个不同视图的特定视图感知器网络的输出的连接，并且输出是三维姿态；每个三维姿势骨架被定义为三维空间中的一组关节协调；因此多视图集成网络(g)的映射如下：
通过假设三维关节注释可用于训练数据集，损失函数可以定义为：
其中，pj和分别是标定好的真实数据和估计关节j的三维坐标；
提出一种自下而上的数据驱动方法，它直接从视觉特定感知器网络的输出生成三维姿态骨架；多视图集成网络被设计为编码器。
测试两种类型的编码器：首先，编码器由一系列内核和步长为2的卷积层构成，其中特征映射的分辨率在每一层都是一半；其次，一个类似于沙漏网络第一部分的编码器，其中包括最大汇集层和标准卷积层被一堆残差学习模块所取代；第一和第二网络架构分别称为简单的编码器和半沙漏网络；对于两种网络体系结构，编码器输出然后被转发到输出大小为3×J的全连接层，用于估计三维姿态骨架并测量训练的损失函数；可以看出，从残差模块中受益并且周期性***最大池层的半沙漏网络可以提供比简单编码器网络更精确的三维姿态比较。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于多视图深感知器框架的三维姿势估计方法，其特征在于，主要包括特定视图感知器网络(一)；多视图集成网络(二)；分层跳跃连接(三)；数据预处理(四)；训练和评估(五)。
2.基于权利要求书1所述的基于多视图深感知器框架的三维姿势估计方法，其特征在于，这种方法由两个网络组成：一个“特定视图感知器”网络从不同的视图中提取二维形状和分层纹理信息；而“多视图集成”网络则可以合成来自所有可用视图的信息，提供准确的三维姿态。
3.基于权利要求书1所述的特定视图感知器网络(一)，其特征在于，特定视图感知器网络从每个视图提取丰富的信息，其中不仅包括二维形状，还包括用于下一步三维推断的分层纹理信息；每个二维身体姿势由J热图表示，其中J表示身体关节的数量；设为视图i的输入RGB图像，为视图i的第s个纹理特征映射， 为视图i的第j个联合热图；然后，针对第i个视图的特定视图感知器网络(f)映射如下：
中间监督是通过像素热图损失来执行的：
其中，‖·‖是欧几里德距离，是通过高斯核函数从标定好的真实二维姿态渲染的，其平均值等于标定好的真实数据和方差；接着使用由编码器和解码器组成的沙漏网络。
4.基于权利要求书3所述的沙漏网络，其特征在于，编码器使用卷积和合并的图层来处理输入图像，生成低分辨率的特征图，解码器使用上采样和卷积层处理低分辨率特征图，构建每个关节的高分辨率热图；沙漏网络的关键组成部分之一是跳跃连接，即每个汇聚层之前的特征映射，它们直接添加到解码器中的对应部分，防止编码器中高分辨率信息的丢失；这些网络的分层跳跃连接以不同比例共享丰富的纹理信息；因此，建议通过将它们提供给多视图集成网络来将它们用于更高效的三维推理；它们允许使用更丰富的梯度信号，并且可以提供更多的三维提示，而不仅是使用热图和未处理的输入图像的组合。
5.基于权利要求书1所述的多视图集成网络(二)，其特征在于，多视图集成网络集成了多个视图的信息来合成三维姿态估计；该网络的输入是针对N个不同视图的特定视图感知器网络的输出的连接，并且输出是三维姿态；每个三维姿势骨架被定义为三维空间中的一组关节协调；因此多视图集成网络(g)的映射如下：
通过假设三维关节注释可用于训练数据集，损失函数可以定义为：
其中，pj和分别是标定好的真实数据和估计关节j的三维坐标；
提出一种自下而上的数据驱动方法，它直接从视觉特定感知器网络的输出生成三维姿态骨架；多视图集成网络被设计为编码器。
6.基于权利要求书5所述的编码器，其特征在于，测试两种类型的编码器：首先，编码器由一系列内核和步长为2的卷积层构成，其中特征映射的分辨率在每一层都是一半；其次，一个类似于沙漏网络第一部分的编码器，其中包括最大汇集层和标准卷积层被一堆残差学习模块所取代；第一和第二网络架构分别称为简单的编码器和半沙漏网络；对于两种网络体系结构，编码器输出然后被转发到输出大小为3×J的全连接层，用于估计三维姿态骨架并测量训练的损失函数；可以看出，从残差模块中受益并且周期性***最大池层的半沙漏网络可以提供比简单编码器网络更精确的三维姿态比较。
7.基于权利要求书1所述的分层跳跃连接(三)，其特征在于，利用沙漏网络的跳跃连接来实现多视图集成网络；在提出的框架中，沙漏网络的编码器部分产生的四个跳跃连接中的每一个都用残差模块处理，并与半沙漏网络中的对应部分相加；为了处理多视图设置，每个跳跃连接应在作为网络输入之前在视图之间连接起来。
8.基于权利要求书1所述的数据预处理(四)，其特征在于，为了准备训练图像，从视频中下采样图像；每个视频包括200帧，每秒30帧的速率，只采用奇数帧来防止过度拟合；所有的图像被调整为256×256像素，并被裁剪，使主***于中心；三维关节注释由动作捕捉***提供。
9.基于权利要求书8所述的三维关节注释，其特征在于，选择23个标记来定义包括头部、颈部、左/右肩、左/右肘、左/右手腕、左/右髋、左/右膝和左/右踝在内的14个关节，并仅使用这些关节的轨迹用于训练网络的关节；整个数据集中每个关节的协调从零到一归一化；预处理之后，数据结构由视频的每个奇数帧的裁剪图像和对应的标准化三维关节注释组成。
10.基于权利要求书1所述的训练和评估(五)，其特征在于，提出一种两阶段的训练战略，在第一阶段使用沙漏模型，并在举重数据集上对其进行微调，学习率为0.00025，经过5个时期；在第二阶段，通过使用双视图图像和相应的归一化三维姿态骨架，在举重数据集上从头开始对多视图集成模型进行训练；对于50个时期，模型的学习率为0.0005；
为了评估网络对于单视图和双视图设置的性能，进行两个实验：首先，网络针对单视图设置进行了训练，分别使用90度和135度视图；其次，该网络被训练成使用两个视图共同作为网络输入的双视图设置；在所有的实验中，所有对象的重复和举重任务作为训练数据集，所有对象的重复作为测试数据集。
CN201810171088.1A 2018-03-01 2018-03-01 一种基于多视图深感知器框架的三维姿势估计方法 Withdrawn CN108389227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810171088.1A CN108389227A (zh) 2018-03-01 2018-03-01 一种基于多视图深感知器框架的三维姿势估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810171088.1A CN108389227A (zh) 2018-03-01 2018-03-01 一种基于多视图深感知器框架的三维姿势估计方法

Publications (1)

Publication Number Publication Date
CN108389227A true CN108389227A (zh) 2018-08-10

Family

ID=63069225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810171088.1A Withdrawn CN108389227A (zh) 2018-03-01 2018-03-01 一种基于多视图深感知器框架的三维姿势估计方法

Country Status (1)

Country Link
CN (1) CN108389227A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376673A (zh) * 2018-10-31 2019-02-22 南京工业大学 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法
CN110751039A (zh) * 2019-09-18 2020-02-04 平安科技（深圳）有限公司 多视图3d人体姿态估计方法及相关装置
CN112257686A (zh) * 2020-12-16 2021-01-22 北京沃东天骏信息技术有限公司 人体姿态识别模型的训练方法、装置及存储介质
CN112542230A (zh) * 2020-12-23 2021-03-23 南开大学 一种针对医学图像的多模式交互分割方法及***
CN114036969A (zh) * 2021-03-16 2022-02-11 上海大学 一种多视角情况下的3d人体动作识别算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528826A (zh) * 2016-11-18 2017-03-22 广东技术师范学院 一种基于深度学习的多视图外观专利图像检索方法
CN107609587A (zh) * 2017-09-11 2018-01-19 浙江工业大学 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528826A (zh) * 2016-11-18 2017-03-22 广东技术师范学院 一种基于深度学习的多视图外观专利图像检索方法
CN107609587A (zh) * 2017-09-11 2018-01-19 浙江工业大学 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAHIL MEHRIZI: "Toward Marker-free 3D Pose Estimation in Lifting:A Deep Multi-view Solution", 《ARXIV:1802.01741V1》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376673A (zh) * 2018-10-31 2019-02-22 南京工业大学 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法
CN109376673B (zh) * 2018-10-31 2022-02-25 南京工业大学 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法
CN110751039A (zh) * 2019-09-18 2020-02-04 平安科技（深圳）有限公司 多视图3d人体姿态估计方法及相关装置
WO2021051526A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 多视图3d人体姿态估计方法及相关装置
CN110751039B (zh) * 2019-09-18 2023-07-25 平安科技（深圳）有限公司 多视图3d人体姿态估计方法及相关装置
CN112257686A (zh) * 2020-12-16 2021-01-22 北京沃东天骏信息技术有限公司 人体姿态识别模型的训练方法、装置及存储介质
CN112542230A (zh) * 2020-12-23 2021-03-23 南开大学 一种针对医学图像的多模式交互分割方法及***
CN114036969A (zh) * 2021-03-16 2022-02-11 上海大学 一种多视角情况下的3d人体动作识别算法

Similar Documents

Publication Publication Date Title
CN108389227A (zh) 一种基于多视图深感知器框架的三维姿势估计方法
EP4002198A1 (en) Posture acquisition method and device, and key point coordinate positioning model training method and device
Li et al. [Retracted] Intelligent Sports Training System Based on Artificial Intelligence and Big Data
CN105787439B (zh) 一种基于卷积神经网络的深度图像人体关节定位方法
Zhu et al. Visual7w: Grounded question answering in images
CN110135375A (zh) 基于全局信息整合的多人姿态估计方法
CN105631861B (zh) 结合高度图从无标记单目图像中恢复三维人体姿态的方法
CN109446925A (zh) 一种基于卷积神经网络的电力设备检测算法
CN110458282A (zh) 一种融合多角度多模态的图像描述生成方法及***
CN104035557B (zh) 一种基于关节活跃度的Kinect动作识别方法
CN103227888B (zh) 一种基于经验模式分解和多种评价准则的视频去抖动方法
CN102521595A (zh) 一种基于眼动数据和底层特征的图像感兴趣区域提取方法
CN105912991A (zh) 基于3d点云与关键骨骼节点的行为识别
Avola et al. Deep temporal analysis for non-acted body affect recognition
CN102184541A (zh) 多目标优化人体运动跟踪方法
CN107396095A (zh) 一种无参考三维图像质量评价方法
CN109045664A (zh) 基于深度学习的跳水打分方法、服务器及***
CN112001217A (zh) 基于深度学习的多人人体姿态估计算法
Zhang et al. Auxiliary decision support model of sports training based on association rules
CN103310191A (zh) 运动信息图像化的人体动作识别方法
Guo et al. PhyCoVIS: A visual analytic tool of physical coordination for cheer and dance training
CN106127754A (zh) 基于融合特征和时空连续性判定规则的cme检测方法
Luo A sports digital training system based on middle and bottom visual information
Liu et al. A Novel Model for Intelligent Pull‐Ups Test Based on Key Point Estimation of Human Body and Equipment
Li [Retracted] Tennis Technology Recognition and Training Attitude Analysis Based on Artificial Intelligence Sensor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20180810

WW01 Invention patent application withdrawn after publication