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。
中圖分類號： TP391.4
文獻標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.201087
中文引用格式： 喬迤，曲毅. 基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計綜述[J].電子技術(shù)應(yīng)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.
文獻標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.201087
中文引用格式： 喬迤，曲毅. 基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計綜述[J].電子技術(shù)應(yīng)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
傳統(tǒng)的2D人體姿態(tài)估計是通過手工提取特征或建立人體模型，來設(shè)計2D人體部件檢測器。WANG Y等人[1]提出基于多樹模型的人體姿態(tài)估計，同時表征人體部件間的運動學(xué)約束關(guān)系和依賴關(guān)系，DANTONE M等人[2]提出建立依賴于身體部位的非線性聯(lián)合回歸器來預(yù)測關(guān)節(jié)位置。在特征的選取上，RAMANAN D等人[3]使用顏色直方圖來提取部位的外觀特征，SAPP B等人[4]利用級聯(lián)的結(jié)構(gòu)化模型來提取輪廓邊緣和形狀特征，YANG Y等人[5]使用HOG特征來建立人體各部位的混合模型。傳統(tǒng)方法受圖像背景、光照、遮擋等的影響較大，并且對于多維特征的選擇主觀性較強，不能很好地適應(yīng)人體部件的復(fù)雜性和環(huán)境的變換，因此利用傳統(tǒng)的基于部件模型的方法具有較大的局限性。
本文詳細內(nèi)容請下載：http://www.ihrv.cn/resource/share/2000003566。
作者信息：
喬 迤，曲 毅
(武警工程大學(xué) 信息工程學(xué)院，陜西 西安710086)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。