CN114550282B 多人三维姿态估计方法、装置及电子设备 （北京信息科技大学）

EstimationViaDisentangledKeMulti-PersonAbsolute3DPoseEstimation..2022,13076-13085.基于所述二维姿态结果和深度回归模型对所述所述二维姿态结果和所述深度回归结果计算得深度回归相关联，无需再对人体关键点进行分将二维姿态引导特征与根深度回归中的特征进2基于所述二维姿态结果和深度回归模型对所述特征图进行基于所述二维姿态结果和所述深度回归结果计算得到三维姿态所述基于所述二维姿态结果和深度回归模型对所述特征图进行回归计基于所述特征图通过所述深度回归模型输出根深度回归结果和相对深度基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度将所述根关键点深度回归结果和所述相对深度回归结果合并得到所述深度所述基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度回归基于所述特征图通过卷积计算输出预定数量的基于每一个所述分解特征图通过其对应的回归器输出所述人体关基于所述特征图，根据以下公式分别对每个所述人体关键点3基于所述二维姿态结果和所述深度回归结果计算得到三维坐标系下的人体关键点坐二维姿态生成模块，被配置为基于二维姿态回归深度回归模块，被配置为基于所述二维姿态结果和深度回归模型对三维估计模块，被配置为基于所述二维姿态结果和所述深度回归基于所述特征图通过所述深度回归模型输出根深度回归结果和相对深度基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度4基于所述特征图通过卷积计算输出预定数量的基于每一个所述分解特征图通过其对应的回归基于所述人体关键点偏移映射集采用位置查询操作得到二6.一种电子设备，包括存储器、处理器及存储在5姿态估计任务取得了显著进展，一个更加现实和具有挑战性的任务引起了越来越多的关述二维姿态回归模型为基于深度学习方法训练得6[0017]基于所述特征图通过所述深度回归模型输出根深度回归结果和相对深度回归结[0019]基于所述二维姿态引导特征和所述根深度回归结果计算得到根关键点深度回归[0020]将所述根关键点深度回归结果和所述相对深度回归结果合并得到所述深度回归[0023]基于每一个所述分解特征图通过其对应的回归器输出所述人体关键点偏移映射k移映射集中的第k个偏移映射，1≤k≤n-1，n为所述人体关键点偏移映射集中偏移映射个[0034]基于所述二维姿态结果和所述深度回归结果计算得到二维坐标系下的所述人体7[0041]二维姿态生成模块，被配置为基于二维姿态回归模型对所述特征图进行回归计8指直接对输入图像进行姿态估计，然后通过一定的策略对检测到的姿态关键点进行分配。骨干网络为基于深度学习方法训练得到的模型。采用了HRNet(DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation)作为骨干网络(backbone)，微软提出的DEKR(DEKR:Bottom-UpHumanPoseEstimationViaDisentangledKeypoint9[0065]步骤S104、基于所述二维姿态结果和深度回归模型对所关键点偏移映射可以作为后续二维姿态引导特征的计算提供深度回归结果。通过二维姿态引导特征提供的人体关键点周围的特征丰富根关键点的特[0081]基于每一个所述分解特征图通过其对应的回归器输出所述人体关键点偏移映射k移映射集中的第k个偏移映射，1≤k≤n-1，n为所述人体关键点偏移映射集中偏移映射个[0094]基于所述二维姿态结果和所述深度回归结果计算得到二维坐标系下的所述人体[0104]二维姿态生成模块303，被配置为基于二维姿态回归模型对所述特征图进行回归[0105]深度回归模块304，被配置为基于所述二维姿态结果和深度回归模型对所述特征[0106]三维估计模块305，被配置为基于所述二维姿态结果和所述深度回归结果计算得[0109]图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备[0116]上述实施例的电子设备用于实现前述任一实施例中相应的多人三维姿态估计方令用于使所述计算机执行如上任一实施例所述的多人三维姿态估计方法、装置及电子设(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器[0119]上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因[0124]尽管已经结