基于深度学习的人体姿态估计方法综述

被引：183

作者：

邓益侬

罗健欣

金凤林

机构：

[1] 中国人民解放军陆军工程大学指挥控制工程学院

来源：

计算机工程与应用 | 2019年 / 19期

关键词：

人体姿态估计; 深度学习; 关节点坐标; 人体模型; 检测回归;

D O I：

暂无

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络,直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序,并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面,对近年来基于深度学习的人体姿态估计方法进行系统介绍,从而初步了解如何通过深度学习的方法得到人体姿态的各个要素,包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系,甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述,清晰地呈现出该领域的发展脉络。

引用

页码：22 / 42

页数：21

共 11 条

[1]

基于条件先验人体模型的人体姿态估计 [J].

赵勇 ;

巨永锋 .

计算机工程与应用 , 2018, (16) :24-29

[2]

基于改进CNN和加权SVDD算法的人体姿态估计 [J].

韩贵金 .

计算机工程与应用, 2018, (24) :198-203

[3]

弱监督任意姿态人体检测 [J].

蔡雅薇 ;

谭晓阳 .

计算机科学与探索, 2017, 11 (04) :587-598

[4]

一种基于图结构模型的人体姿态估计算法 [J].

韩贵金 ;

朱虹 .

计算机工程与应用 , 2013, (14) :30-33

[5]

Application of structured support vector machine backpropagation to a convolutional neural network for human pose estimation[J] Peerajak Witoonchart;Prabhas Chongstitvatana Neural Networks 2017,

[6]

<Emphasis Type="SmallCaps">HumanEva</Emphasis>: Synchronized Video and Motion Capture Dataset and Baseline Algorithm for Evaluation of Articulated Human Motion[J] Leonid Sigal;Alexandru O. Balan;Michael J. Black International Journal of Computer Vision 2010,

[7]

Long Short-Term Memory[J] Sepp Hochreiter;Jürgen Schmidhuber Neural Computation 1997,

[8]

Backpropagation Applied to Handwritten Zip Code Recognition[J] Y. LeCun;B. Boser;J. S. Denker;D. Henderson;R. E. Howard;W. Hubbard;L. D. Jackel Neural Computation 1989,

[9]

Open Pose:Realtime multi-person 2D pose estimation using part affinity fields Cao Z;Hidalgo G;Simon T;et al; 2018,

[10]

2D Human Pose Estimation:New Benchmark and State of the Art Analysis Andriluka M;Pishchulin L;Gehler P.et al; IEEE Conference on Computer Vision and Pattern Recognition 2014,

← 1 2 →