基于卷积神经网络的2D人体姿态估计综述
2021年电子技术应用第6期
乔 迤,曲 毅
武警工程大学 信息工程学院,陕西 西安710086
摘要: 随着深度学习的快速发展,2D人体姿态估计作为其他计算机视觉任务的研究基础,其检测速度和精度对后续应用落地具有实际意义。对近年来基于卷积神经网络的2D人体姿态估计的方法进行梳理介绍,将现有方法分为人体检测关节点回归融合算法和人体关节点检测聚类算法,同时对当前的主流数据集及其评价准则进行总结,最后对2D人体姿态估计当前所面临的困难以及未来的发展趋势做以阐述,为姿态估计相关研究提供一些参考。
中图分类号: TP391.4
文献标识码: A
DOI:10.16157/j.issn.0258-7998.201087
中文引用格式: 乔迤,曲毅. 基于卷积神经网络的2D人体姿态估计综述[J].电子技术应用,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.
文献标识码: A
DOI:10.16157/j.issn.0258-7998.201087
中文引用格式: 乔迤,曲毅. 基于卷积神经网络的2D人体姿态估计综述[J].电子技术应用,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
传统的2D人体姿态估计是通过手工提取特征或建立人体模型,来设计2D人体部件检测器。WANG Y等人[1]提出基于多树模型的人体姿态估计,同时表征人体部件间的运动学约束关系和依赖关系,DANTONE M等人[2]提出建立依赖于身体部位的非线性联合回归器来预测关节位置。在特征的选取上,RAMANAN D等人[3]使用颜色直方图来提取部位的外观特征,SAPP B等人[4]利用级联的结构化模型来提取轮廓边缘和形状特征,YANG Y等人[5]使用HOG特征来建立人体各部位的混合模型。传统方法受图像背景、光照、遮挡等的影响较大,并且对于多维特征的选择主观性较强,不能很好地适应人体部件的复杂性和环境的变换,因此利用传统的基于部件模型的方法具有较大的局限性。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003566。
作者信息:
乔 迤,曲 毅
(武警工程大学 信息工程学院,陕西 西安710086)
此内容为AET网站原创,未经授权禁止转载。