基于视觉的人体姿态识别--3D.pptxVIP

基于视觉的人体姿态识别--3D ; 目前2D识别的算法很多，且精度和处理速度已经有很好的效果 存在的问题：2D关键点受穿着、姿态、视角等影响非常大，而且还面临着遮挡、光照、雾等环境的影响，对于数据的标注要求较高。; 选择3D人体姿态估计的原因： 2D关键点在视觉上不好估计人体部位之间的位置 2D姿态识别在精确度或处理速度上要想有进一步巨大的提升很难 3D姿态识别可以给图像赋予更加稳定、易懂的解释，是以后计算机视觉领域的发展趋势 ;3D识别的方法---单个图片直接到3D;输入：三个信息源：几何描述符（身体各关节之间的相对距离和位置构成），采用热图和深度图，二维图像。 基于DCNNS（深卷积神经网络）弱监督学习，现有人体运动框架+对抗学习框架（将从详细注释的数据集中学习的三维人体姿态结构提取到仅带有2D姿态注解的原始图像中）再由2D拓展到3D（二维预测中回归三维位置，用简单的完全连通的残差网络来直接回归三维坐标。） ;我们的实现方案：图片-2D-3D;图片-2D;MobileNet 基于深度可分离卷积 通俗的来说，深度可分离卷积把标准卷积分解成深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)。 这样可以大幅度降低参数量和计算量。 分解过程示意图如右图所示：;效果，如右图 模型精度：18mm;2D-3D;网络模型