基于高分辨率网络的人体姿态估计研究.pdfVIP

基于高分辨率网络的人体姿态估计研究

摘要

人体姿态估计是一种通过检测图像中人体的关键关节点，并根据检测到的关

键点之间的连接关系来预测人的行为的技术。人体姿态估计被广泛应用在虚拟现

实，自动驾驶，人机交互等领域。相较于其他人体姿态估计网络，高分辨率网络具

有更高的分辨率特征，在人体姿态估计中表现突出。但是由于多分支并行运行的特

点，导致高分辨率网络具有高参数量及高复杂度的限制。此外，由于存在上下文特

征信息丢失及感受野受限等问题，导致高分辨率网络特征提取不够充分，高分辨率

网络性能有待进一步的提高。针对这些难点和挑战，本文在高分辨率网络的基础上

对人体姿态估计算法展开研究，主要研究内容如下：

（1）针对高分辨网络存在特征提取不够充分导致网络模型精度不足的问题，

本文提出了BE-HRNet网络模型，本文模型网络模型通过引进瓶颈结构来整合图

像局部和全局信息，并且在瓶颈结构中加入膨胀卷积来扩大感受野，从而增强对全

局信息的提取能力。为减少膨胀卷积因为通道关联性方面的不足而导致的特征表

示不充分的问题，本文模型在膨胀卷积后引入ECA轻量注意力自适应地调整特征

通道之间的权重，从而提升网络模型的检测精度。在MSCOCO数据集上训练的实

验结果表明：相比于基准网络高分辨率网络模型，本文模型可以在不增加参数量的

情况下有效提高关键点检测的精度。

（2）针对高分辨率网络在特征提取时存在特征冗余信息以及多分支并行运行

导致的参数量及运算量庞大问题，本文在高分辨率网络的基础上提出了DGA-

HRNet轻量化网络模型。本文通过引入Ghost卷积模块去除冗余信息，此外，本文

还加入混合注意力机制模块来提取局部特征，提高网络的表征能力和泛化能力，并

在此基础上构建本文基础模块Fused-CAblock模块。此外，本文还引入深度可分离

卷积及瓶颈结构来降低参数量。为防止深度可分离卷积导致特征信息丢失，本文还

引入ECA注意力来提高精度，并在此基础上构建Fused-DGAblock。在MSCOCO

数据集上训练的实验表明：相比于基准网络高分辨率网络模型，本文模型可以在大

幅降低参数量的同时还能保持较好检测精度。

关键词：人体姿态估计，高分辨率网络，轻量化网络，注意力机制

ResearchonHumanPoseEstimationBasedonHigh

ResolutionNetwork

ABSTRACT

Humanposeestimationisatechnologythatdetectskeyjointpointsofthehuman

bodyinimagesandpredictshumanbehaviorbasedontheconnectionrelationships

betweenthedetectedkeypoints.Humanpostureestimationiswidelyusedinfieldssuch

asvirtualreality,autonomousdriving,andhuman-computerinteraction.Comparedwith

otherhumanposeestimationnetworks,thehigh-resolutionnetworkhashigherresolution

characteristicsandperformsoutstandinglyinhumanposeestimation.However,dueto

thecharacteristicsofmulti-branchparalleloperation,high-resolutionnetworkshave

limitationsofhighparametervolumeandhighcomplexity.Inaddition,duetoproblems

suchaslossofcontextualfeatureinformationandlimited