基于卷積神經網絡的2D人體姿態估計綜述
2021年電子技術應用第6期
喬 迤，曲 毅
武警工程大學 信息工程學院，陜西 西安710086
摘要： 隨著深度學習的快速發展，2D人體姿態估計作為其他計算機視覺任務的研究基礎，其檢測速度和精度對后續應用落地具有實際意義。對近年來基于卷積神經網絡的2D人體姿態估計的方法進行梳理介紹，將現有方法分為人體檢測關節點回歸融合算法和人體關節點檢測聚類算法，同時對當前的主流數據集及其評價準則進行總結，最后對2D人體姿態估計當前所面臨的困難以及未來的發展趨勢做以闡述，為姿態估計相關研究提供一些參考。
中圖分類號： TP391.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.201087
中文引用格式： 喬迤，曲毅. 基于卷積神經網絡的2D人體姿態估計綜述[J].電子技術應用，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. 基于卷積神經網絡的2D人體姿態估計綜述[J].電子技術應用，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
傳統的2D人體姿態估計是通過手工提取特征或建立人體模型，來設計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估計，同時表征人體部件間的運動學約束關系和依賴關系，DANTONE M等人[2]提出建立依賴于身體部位的非線性聯合回歸器來預測關節位置。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]利用級聯的結構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，不能很好地適應人體部件的復雜性和環境的變換，因此利用傳統的基于部件模型的方法具有較大的局限性。
本文詳細內容請下載：http://www.xxav2194.com/resource/share/2000003566。
作者信息：
喬 迤，曲 毅
(武警工程大學 信息工程學院，陜西 西安710086)
此內容為AET網站原創，未經授權禁止轉載。