1.一种人体姿态估计方法,其特征在于,所述方法包括:
获取目标图片并输入到OKDL2S网络模型中获得人体姿态信息;所述OKDL2S网络模型的构建包括以下步骤:(1)设计一个序列预测框架,该框架由6个首尾相连的姿态估计阶段组成,阶段1直接对图片中可见单个人体的关键点进行粗略估计,阶段2 5和阶段6能够对紧邻的前一阶段预测~的关键点进行持续学习并再精确估计;使用PeleeNet作为阶段1的backbone;
(2)使用一个轻量化的卷积块结构作为每个阶段的基本构建块;
(3)使用步骤(2)中的轻量化卷积块重新设计CPMs的6个stage网络结构;
(4)选取stage1 stage5作为Student stage,stage6作为Teacher stage;
~
(5)在每一个stage的输出位置定义两种类型的loss函数,即常规L2距离损失函数Lcg和蒸馏L2距离损失函数Lkd,常规L2距离损失函数Lcg使该stage对每一个骨骼关键点的预测响应图与它的真实标注响应图之间的距离达到最小,蒸馏L2距离损失函数Lkd使Teacher stage对每一个骨骼关键点预测的响应图与该Student stage对其预测的响应图之间的距离达到最小;
(6)在训练过程中,保留阶段1 5和阶段6,而在最终部署中,只保留阶段1和第一个通过~持续学习并再精确估计得到的再精确阶段2。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括以下步骤:(1)给定基准人体姿态估计相关数据集,将基准人体姿态估计训练数据集载入OKDL2S网络模型进行训练,并生成相应的caffemodel文件;
(2)调用生成的一系列caffemodel文件在基准验证数据集上进行验证,评估该模型的泛化能力、模型的参数量,检测速度和精度这4个指标,选出各项指标为最佳的模型作为代表。
3.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1或2所述的人体姿态估计方法的步骤。