摘要：目前高分辨率人體姿態(tài)估計已經(jīng)非常準確，但是低分辨率人體姿態(tài)估計效果并不理想，主要原因是低分辨率時模型性能嚴重下降，而偏移學習是解決模型性能下降的一種有效方法。實驗表明，本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法量化誤差小，準確率高。

關(guān)鍵詞：人體姿態(tài)估計；低分辨率；偏移學習

*基金項目：深圳市科技創(chuàng)新委員會資助項目（項目編號：JSGG20191129143214333）

人體姿態(tài)估計是人體生成，動作識別，行人序列重識別，行人跟蹤和行人目標檢測中最關(guān)鍵的技術(shù)之一。由于受人體的大尺度變換、人體遮擋和拍攝角度等因素干擾，人體姿態(tài)估計充滿挑戰(zhàn)?，F(xiàn)有的人體姿態(tài)估計算法大部分是基于高分辨率的，低分辨率人體姿態(tài)估計研究較少。高分辨率人體姿態(tài)估計計算量大，嚴重阻礙了人體姿態(tài)估計的應(yīng)用。城市監(jiān)控多采用遠距離拍攝，獲取的圖像分辨率都比較低，因此低分辨率人體姿態(tài)估計更具有研究和應(yīng)用價值。

人體姿態(tài)估計算法主要分三類：基于坐標的人體姿態(tài)估計算法；基于熱圖的人體姿態(tài)估計算法；基于偏移的人體姿態(tài)估計算法?；谧鴺说娜梭w姿態(tài)估計算法是以人體 2D 圖像作為輸入并學習人體部位的歸一化坐標，為了提升模型的性能，主要采用級聯(lián)網(wǎng)絡(luò)來改進預(yù)測效果，為了提高低分辨率人體姿態(tài)估計的性能，研究還采用了監(jiān)督學習和對比學習的方法，強制讓特征和輸出保持一致性；基于坐標的方法的人體姿態(tài)估計算法模型簡單，但是模型容易過擬合，基于熱圖的人體姿態(tài)估計算法剛好可以緩解過擬合?；跓釄D的人體姿態(tài)估計算法采用隱士人體結(jié)構(gòu)，且用高斯分布對關(guān)鍵點坐標進行編碼，不僅可以防止模型過擬合，而且可以增加容錯能力；但是它容易受到下采樣算子的影響，導(dǎo)致量化誤差增大。基于偏移學習的人體姿態(tài)估計算法將人體姿態(tài)估計分為部分檢測和偏移回歸任務(wù)，明顯減少了量化誤差。本文采用基于偏移學習的人體姿態(tài)估計算法在低分辨率數(shù)據(jù)集上減少了量化誤差，提升了準去率。

1 算法

基于偏移學習的人體姿態(tài)估計算法是從關(guān)鍵點坐標偏移場中提取偏移向量，再將偏移向量反饋到關(guān)鍵點坐標，通過熱圖回歸和偏移回歸方法來進行最終預(yù)測。訓(xùn)練時，激活區(qū)被定義為真實關(guān)鍵點的中心，通過激活每個像素來實現(xiàn)正確預(yù)測，也就是說，每個像素是平等的。測試時，首先用熱圖識別峰值位置，然后檢索偏移量生成輸出。假設(shè)偏移損失符合高斯混合模型，為了進一步用掩碼來權(quán)衡滅國像素的偏移損失，將偏移學習和粗略預(yù)測相結(jié)合。

現(xiàn)有基于偏移學習的人體姿態(tài)估計多采用二進制熱圖來表示身體關(guān)節(jié)的激活區(qū)域，活圈區(qū)域內(nèi)的置信度值都是 1，這樣無法學習發(fā)哦真實數(shù)據(jù)位置和空間的關(guān)系，反應(yīng)不了較近像素的置信度應(yīng)該大于較遠像素置信度關(guān)系，因此本文采用高斯分別縮放二進制熱圖，并將需要的置信度編碼：

2 實驗

本實驗是 COCO 數(shù)據(jù)集上完成的。COCO 數(shù)據(jù)集是用于圖像檢測、語義分割、人體姿態(tài)估計最常用的數(shù)據(jù)集，它包含 220 張有標注的圖像（COCO 數(shù)據(jù)集超過 330 張圖像），150 萬個目標，80 個行人、汽車、動物等目標類別，91 種草、墻、天空等材料類別，并且每張圖片還包含 5 句圖像描述，最重要的是它包含 250000 個帶關(guān)鍵點標注的行人。實驗用平均精度（mean average precision，mAP）和平均召回率（average recall, AR）來作為評價指標。實驗結(jié)果如表 1。

從上表可以看出，本文算法在 COCO 數(shù)據(jù)集上的平均精度和平均召回率明顯優(yōu)于其它算法，說明本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法在低分辨率人體姿態(tài)估計上是有效的。

3 結(jié)語

本文提出的基于偏移學習的低分辨率人體姿態(tài)估計算法，在低分辨率人體姿態(tài)估計時，將人體姿態(tài)估計分為部分檢測和偏移回歸任務(wù)，明顯減少了量化誤差，提升了準確率。

參考文獻：

[1] ZHANG Y, HASSAN M, NEUMANN H, et al. Generating 3d people in scenes without people[C].2020 IEEE Conference on Computer Vision and Pattern Recognition,2020:6193-6203.

[2] HUANG J, ZHU Z, GUO F, et al. Delving into unbiased data processing for human pose estimation[C].2020 IEEE Conference on Computer Vision and Pattern Recognition,2020:5700-5709.

[3] MA C, RAO Y, CHENG Y, et al. Structure-preserving super resolution with gradient guidance [C].2020 IEEE Conference on Computer Vision and Pattern Recognition,2020:7766-7775.

[4] FENG Z, XIATIAN Z, HANBIN D, et al. Distributionaware coordinate representation for human pose estimation[C]. 2020 IEEE Conference on Computer Vision and Pattern Recognition,2020:7091-7100.

[5] QIAN X, FU Y, XIANG T, et al. Pose normalized image generation for person re-identification[C].2018 European Conference on Computer Vision,2018:661-678.

[6] CHEN Y, WANG Z, PENG Y, et al. Cascaded pyramid network for multi-person pose estimation[C].2018 IEEE Conference on Computer Vision and Pattern Recognition,2018:7103-7112.

[7] SUN K, XIAO B, LIU D et al. Deep high-resolution representation learning for human pose estimation[C].2019 IEEE Conference on Computer Vision and Pattern Recognition,2019:5693-5703.

[8] XIAO B, WU H, WEI Y, et al. Simple baselines for human pose estimation and tracking[C].2018 European Conference on Computer Vision,2018:472-487.

(注：本文轉(zhuǎn)載自《電子產(chǎn)品世界》雜志2022年9月期)