基于深度学习的人体位置与关键点检测

发布时间：2023-04-09 00:54

　　人体的位置检测和关键点检测都是计算机视觉中极具挑战性的任务。在最近的研究中,基于深度卷积神经网络的方法取得了比传统方法更大的进步。然而现有的方法仍然存在一些问题,本文针对这其中的人体位置检测、单人和多人人体关键点检测进行了研究,主要工作有:(1)提出并实现了一种基于深度学习的人体位置检测方法,该方法扩展了通用的物体检测框架Faster R-CNN来做行人的位置检测,在引入了多尺度的特征后,解决了对小尺寸人体位置检测不够敏感的问题。该方法在KITTI行人检测数据集上的平均准确率超过了当时最好的MS-CNN,在Caltech行人检测数据集上比当时最好的RPN+BF的缺失率更低。(2)提出并实现了一种单人人体关键点检测方法,改进了最新的Stacked Hourglass模型,扩大了网络中神经元的感受视野,尝试了多尺度的融合,解决了 Stacked Hourglass模型对人体的尺度变化不敏感的问题。该方法在MPII单人关键点检测数据集上取得了比当时的Stacked Hourglass模型更高的PCKh值。(3)提出并实现了一种多人人体关键点检测方法,引入实例分割中的判别损失函数进行人体关键点...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 现有解决方法
        1.2.1 人体位置检测
        1.2.2 单人关键点检测
        1.2.3 多人的人体关键点检测
    1.3 现有问题与不足
        1.3.1 人体位置检测
        1.3.2 单人关键点检测
        1.3.3 多人关键点检测
    1.4 本文主要工作
    1.5 本文章节安排
第二章 基于Skip Pooling的人体位置检测
    2.1 简介
    2.2 相关工作
        2.2.1 Faster R-CNN
        2.2.2 RPN+BF
        2.2.3 MS-CNN
    2.3 网络结构
        2.3.1 互补的候选区域生成网络
        2.3.2 跨层的池化
        2.3.3 采样
    2.4 实验结果
        2.4.1 实验的建立
        2.4.2 Caltech行人检测数据集
        2.4.3 KITTI数据集
    2.5 设计验证
        2.5.1 池化层的选择
        2.5.2 缩放因子的选择
        2.5.3 输入图片的大小
    2.6 本章小结
第三章 多尺度的单人关键点检测
    3.1 简介
    3.2 相关工作
        3.2.1 Stacked Hourglass Network
        3.2.2 Hourglass Residual Units
        3.2.3 Pyramid Residual Modules
    3.3 网络结构
    3.4 学习和推断
    3.5 多尺度测试
    3.6 实验结果
        3.6.1 训练细节
        3.6.2 评估指标
        3.6.3 MPII评估结果
    3.7 设计验证
        3.7.1 输入图片大小
        3.7.2 尺度选择与检测速度
        3.7.3 多尺度残差模块的有效性验证
    3.8 本章小结
第四章 基于判别损失函数的多人关键点检测
    4.1 简介
    4.2 相关工作
        4.2.1 多人姿态估计
        4.2.2 单人姿态估计
        4.2.3 人体位置检测
        4.2.4 实例分割与判别损失函数
    4.3 基于判别损失函数的关键点检测
    4.4 人体候选框的生成与组合
    4.5 网络结构
    4.6 实验结果
    4.7 设计验证
        4.7.1 候选区域组合
        4.7.2 输入图片大小
        4.7.3 多尺度测试
    4.8 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
简历与科研成果



本文编号：3786774