CN119445672A 基于动态图卷积网络的人体姿势估计方法 （中国计量大学）

一种基于动态图卷积网络的人体姿势估计利用3D人体姿势数据在虚拟场景中构建人体行2;;;3;;;。;s'包含一个人体姿势中三个相邻帧的人体关节特征矩阵()，4;;;;;a和B都是非线性映射；矩阵Be和后向亲和矩阵B4-，;;。58.如权利要求1或2所述的基于动态图卷;;其中，生物动力学结构提供了人体运动中的物理和力学6;;;。78置通常位于整个空间的斜上方，因此使用原始视频的RGB图像获取人体行为信息是十分困行为数据增强领域做出了一定的贡献。但是目前人体行为数据增强的研究存在的挑战包括1）使用模型训练的方法生成的行为数据往往不合理，或者对于模型训练来说过于简9计方法(DynamicGraphConvolutionalNetwork_basedBehaviordataAugmentation，;;;N个最接近的关节；;;步骤（2.6）将动态亲和矩阵与权重机制使用逐元素相乘后得到加权的亲和矩阵,;。;其中，包含一个人体姿势中三个相邻帧的人体关节特征矩阵(+1之间的前向亲和矩阵和帧k与k_1之间的后向关节，vi.，;;;;;a和B都是非线性映射；P-1亲和矩阵和后向亲和矩阵Be-1，;;。;;Lf为变换后的骨骼长度矩阵；人体各关节的极限角度和一个骨骼在整个人体;;;其中，骨骼角度变化矩阵对角线元素和a,表示同一个关节在相邻帧的角度。[0019]本发明的有益效果主要表现在1）动态图卷积网络根据输入数据自适应调整图同类型的行为或姿势变化时能够自动优化图结构，提升对关节之间复杂关系的建模能力；;;;;;步骤（2.6）将动态亲和矩阵与权重机制使用逐元素相乘后得到加权的亲和矩阵,;;;其中，包含一个人体姿势中三个相邻帧的人体关节特征矩阵(+1之间的前向亲和矩阵和帧k与k_1之间的后向关节，vi.，;;;;a和B都是非线性映射；P-1亲和矩阵和后向亲和矩阵Be-1，;其中，NonLocal是通过全局运算来捕捉不同关节之间的全局关系的一个功能模;;Lf为变换后的骨骼长度矩阵；;;;[0027]其中，骨骼角度变化矩阵对角线元素和a,表示同一个关节在相邻帧的角度;人体各关节的极限角度和一个骨骼在整个人体[0030]图2是动态图卷积网络结构图，其中动态图卷积网络的输入是由视频图像序列经[0042]LSTM_CNN：该方法结合了卷积神经网络和长短期记忆网络（LongShort_Term个由电梯监控采集到的电梯乘客行为视频数相对地面实际的和网络估计的3D姿势之间平均每个关节位置误差(MeanPerJointPositionError，MPJPE)，和将预测关节与真值关节对齐后的MPJPE(Procrustes;[0051]如图4所示，在3DHP和MuPoTS_3D两个数据集上进行比较，3种模型（即SemGCN、每一种电梯乘客异常行为数据录制200个视频片段，每个视频片段约为10秒，每秒设置30[0053]如图5所示，在原始的电梯乘客行为视频数据集和增强后的电梯乘客行为视频数明DGCN_BA生成的行为数据可以用于人体行为识别的训练并且能够有效提升识别模型的性围也及于本领域的普通技术人员根据本