预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113642684A(43)申请公布日2021.11.12(21)申请号202111207076.8(22)申请日2021.10.18(71)申请人青岛根尖智能科技有限公司地址266300山东省青岛市胶州市经济技术开发区长江1号创业大厦1119室(72)发明人王海滨纪文峰(74)专利代理机构济南圣达知识产权代理有限公司37221代理人祖之强(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于图像混合机制的鲁棒跨域姿态估计方法及系统(57)摘要本发明提供了一种基于图像混合机制的鲁棒跨域姿态估计方法及系统,属于图像处理技术领域,所述方法包括以下过程:获取待处理的图像;根据获取的图像与OpenPose姿态估计模型,得到姿态估计结果;其中,OpenPose姿态估计模型采用融合数据集训练,将源域训练集中的某一帧图像的像素与目标域数据集中随机选取的某一帧图像的像素加权求和得到融合图像,将源域训练集中的各帧图像依次执行上述融合操作,得到融合数据集;本发明在模型输入层面上引入数据融合方法进行跨域姿态估计,通过加入噪声数据提高模型在目标域上的表现,提高了跨域姿态估计的精度。CN113642684ACN113642684A权利要求书1/2页1.一种基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:包括以下过程:获取待处理的图像;根据获取的图像与OpenPose姿态估计模型,得到姿态估计结果;其中,OpenPose姿态估计模型采用融合数据集训练;将源域训练集中的某一帧图像的像素与目标域数据集中随机选取的某一帧图像的像素加权求和得到融合图像,将源域训练集中的各帧图像依次执行上述融合操作,得到融合数据集。2.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:源域训练集的每帧图像标注有关节热度图的真值和关节亲和域的真值。3.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:第一系数与源域训练集中的某一帧图像像素的乘积为第一变量,第二系数与目标域数据集中的某一帧图像像素的乘积为第二变量,根据第一变量与第二变量的加和得到融合图像;其中,第一系数与第二系数的加和为1。4.如权利要求3所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:第一系数为0.1,第二系数为0.9。5.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:融合数据的关节热力图与源域训练集的关节热度图相同,融合数据的关节亲和域与源域训练集的关节亲和域相同。6.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:OpenPose姿态估计模型的损失函数关节热度图损失函数与关节亲和域损失函数的加和。7.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:OpenPose姿态估计模型为二分支多级卷积神经网络架构,第一分支中的每个阶段预测关节热度图,第二分支中的每个阶段预测关节亲和域;每个分支均包括相同个数的阶段,两个分支同一阶段的网络结构相同,每个阶段之后,来自两个分支的预测结果与图像特征一起被连接用于下一阶段。8.如权利要求1所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:采用反向传播算法进行OpenPose姿态估计模型的训练。9.如权利要求8所述的基于图像混合机制的鲁棒跨域姿态估计方法,其特征在于:采用随机梯度下降法进行OpenPose姿态估计模型的训练。10.一种基于图像混合机制的鲁棒跨域姿态估计系统,其特征在于:包括:数据获取模块,被配置为:获取待处理的图像数据;姿态估计模块,被配置为:根据获取的图像与OpenPose姿态估计模型,得到姿态估计结果;其中,OpenPose姿态估计模型采用融合数据集训练;将源域训练集中的某一帧图像的像素与目标域数据集中随机选取的某一帧图像的像素加权求和得到融合图像,将源域训练集中的各帧图像依次执行上述融合操作,得到融合2CN113642684A权利要求书2/2页数据集。3CN113642684A说明书1/6页一种基于图像混合机制的鲁棒跨域姿态估计方法及系统技术领域[0001]本发明涉及图像处理技术领域,特别涉及一种基于图像混合机制的鲁棒跨域姿态估计方法及系统。背景技术[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。[0003]深度学习方法在姿态估计领域取得了很好的结果,但这种结果建立在以下两个前提的基础之上:首先模型训练要有足够的训练样本,其次测试样本与训练样本应遵循相同的分布。[0004]但是在实际应用中上述两个条