基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計(jì)綜述
2021年電子技術(shù)應(yīng)用第6期
喬 迤，曲 毅
武警工程大學(xué) 信息工程學(xué)院，陜西 西安710086
摘要： 隨著深度學(xué)習(xí)的快速發(fā)展，2D人體姿態(tài)估計(jì)作為其他計(jì)算機(jī)視覺任務(wù)的研究基礎(chǔ)，其檢測速度和精度對后續(xù)應(yīng)用落地具有實(shí)際意義。對近年來基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計(jì)的方法進(jìn)行梳理介紹，將現(xiàn)有方法分為人體檢測關(guān)節(jié)點(diǎn)回歸融合算法和人體關(guān)節(jié)點(diǎn)檢測聚類算法，同時(shí)對當(dāng)前的主流數(shù)據(jù)集及其評價(jià)準(zhǔn)則進(jìn)行總結(jié)，最后對2D人體姿態(tài)估計(jì)當(dāng)前所面臨的困難以及未來的發(fā)展趨勢做以闡述，為姿態(tài)估計(jì)相關(guān)研究提供一些參考。
中圖分類號： TP391.4
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.201087
中文引用格式： 喬迤，曲毅. 基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計(jì)綜述[J].電子技術(shù)應(yīng)用，2021，47(6)：15-21.
英文引用格式： Qiao Yi，Qu Yi. Overview of 2D human pose estimation based on convolutional neural network[J]. Application of Electronic Technique，2021，47(6)：15-21.
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.201087
中文引用格式： 喬迤，曲毅. 基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計(jì)綜述[J].電子技術(shù)應(yīng)用，2021，47(6)：15-21.
英文引用格式： Qiao Yi，Qu Yi. Overview of 2D human pose estimation based on convolutional neural network[J]. Application of Electronic Technique，2021，47(6)：15-21.
Overview of 2D human pose estimation based on convolutional neural network
Qiao Yi，Qu Yi
College of Information Engineering，Engineering University of PAP，Xi′an 710086，China
Abstract： With the rapid development of deep learning, 2D human pose estimation is used as the research basis for other computer vision tasks, and its detection speed and accuracy have practical significance for subsequent applications. This paper introduces the methods of 2D human pose estimation based on convolutional neural networks in recent years. The existing methods are divided into human body detection combined with joint point regression algorithm and human body joint point detection clustering algorithm. At the same time, the current mainstream datasets and the evaluation criteria are summarized, and finally the current difficulties and future development trends of 2D human pose estimation are explained, which provides some references for related research on pose estimation.
Key words : 2D human pose estimation；convolutional neural network；keypoints of the human body
0 引言
傳統(tǒng)的2D人體姿態(tài)估計(jì)是通過手工提取特征或建立人體模型，來設(shè)計(jì)2D人體部件檢測器。WANG Y等人[1]提出基于多樹模型的人體姿態(tài)估計(jì)，同時(shí)表征人體部件間的運(yùn)動學(xué)約束關(guān)系和依賴關(guān)系，DANTONE M等人[2]提出建立依賴于身體部位的非線性聯(lián)合回歸器來預(yù)測關(guān)節(jié)位置。在特征的選取上，RAMANAN D等人[3]使用顏色直方圖來提取部位的外觀特征，SAPP B等人[4]利用級聯(lián)的結(jié)構(gòu)化模型來提取輪廓邊緣和形狀特征，YANG Y等人[5]使用HOG特征來建立人體各部位的混合模型。傳統(tǒng)方法受圖像背景、光照、遮擋等的影響較大，并且對于多維特征的選擇主觀性較強(qiáng)，不能很好地適應(yīng)人體部件的復(fù)雜性和環(huán)境的變換，因此利用傳統(tǒng)的基于部件模型的方法具有較大的局限性。
本文詳細(xì)內(nèi)容請下載：http://m.jysgc.com/resource/share/2000003566。
作者信息：
喬 迤，曲 毅
(武警工程大學(xué) 信息工程學(xué)院，陜西 西安710086)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。