中文引用格式： 王亞東，秦會斌. 結(jié)合不確定性估計的輕量級人體關(guān)鍵點檢測算法[J]. 電子技術(shù)應(yīng)用，2023，49(10)：40-45.
英文引用格式： Wang Yadong，Qin Huibin. Lightweight human key point detection algorithm with uncertainty[J]. Application of Electronic Technique，2023，49(10)：40-45.
0 引言
隨著社會發(fā)展，監(jiān)控視頻分析正從人工走向智能，從傳統(tǒng)走向現(xiàn)代。人體關(guān)鍵點檢測是以人為中心的視頻分析中的重要環(huán)節(jié)，又稱為人體姿態(tài)估計[1]。人體關(guān)鍵點是具有明確語義的關(guān)節(jié)點和部位，是行為識別[2]、人機交互[3]和動作捕捉[4]等應(yīng)用的重要基礎(chǔ)。
隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的發(fā)展，人體關(guān)鍵點檢測取得顯著進步，精度逐漸提升?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)的人體關(guān)鍵點檢測算法分為兩類：基于熱圖表示的檢測方法和基于坐標表示的回歸方法。
自從Tompson等人[5]首次提出用熱圖表示關(guān)節(jié)點，檢測方法成為二維姿態(tài)估計的主流。孫科等人[6]針對關(guān)鍵點檢測任務(wù)提出HRNet，整個網(wǎng)絡(luò)中保持高分辨率的特征圖，通過并行連接多個不同分辨率的子網(wǎng)絡(luò)，并在它們之間進行信息交互和融合，避免了信息的丟失和模糊。檢測方法具有精度高、訓(xùn)練效率高和空間泛化性好等優(yōu)點。但是熱圖分辨率低于原圖分辨率導(dǎo)致的量化誤差和解碼過程中argmax操作不可微分，使得檢測方法依賴高分辨率熱圖，限制了在嵌入式設(shè)備中的使用。
回歸方法在人體姿態(tài)估計中研究較早，但相關(guān)工作較少?；貧w方法直接端到端產(chǎn)生圖像中關(guān)鍵點的坐標。Toshev等人[7]首次提出利用CNN回歸坐標進行人體姿態(tài)估計。Carreira等人[8]提出了一個迭代誤差反饋框架（Iterative Error Feedback，IEF），引入自上而下的反饋，預(yù)測當前估算值的偏移量并進行迭代矯正。Nie等人[9]提出了單階段的多人姿態(tài)估計網(wǎng)絡(luò)（Single-stage Multi-person Pose Machine，SPM），采用根節(jié)點預(yù)測人體位置，然后預(yù)測關(guān)節(jié)點的偏移量?；貧w方法擁有簡單靈活高效等優(yōu)點，但性能仍遜色于檢測方法，尤其在遮擋、截斷和運動模糊等場景中誤差較大。
本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000005711
作者信息：
王亞東，秦會斌
（杭州電子科技大學 新型電子器件與應(yīng)用研究所，浙江 杭州 310018）
