基于深度残差网络的多人姿态估计

秦晓飞，郭海洋，陈浩胜，李 夏，何致远

（1.上海理工大学 光电信息与计算机工程学院，上海 200093；2.上海理工大学 机械工程学院，上海 200093）

引 言

人体姿态估计就是在给定的一幅图像或一段视频中去进行人体关键点位置定位的过程，基于给定RGB图像的关键点定位在多个领域都有着很好的应用前景，具有很高的研究价值。但由于存在光照变化、运动模糊、自身遮挡和视角不同等问题，所以现实生活中，多人姿态估计非常具有挑战性。早期的人体姿态估计经典著作将人类关键点估计问题表述为树形结构或图形模型问题，并基于手工制作的特征来预测关键点位置。随着深度卷积神经网络（CNN）的发展，其在人体姿态估计领域的应用极大地提高了关键点预测的性能。

基于卷积神经网络的人体姿态估计经历了坐标回归到预测热力图的发展趋势。Toshev等[1]提出的DeepPose首次使用CNN强大的拟合能力去强制性地回归人体骨骼关键点的坐标，并用级联的形式不断地调整结果。然而使用坐标回归的方法非常容易造成过拟合问题，随后出现的预测热力图的方法优势明显。2016年，单人姿态估计领域以Hourglass[2]和卷积姿态机(CPM)[3]为代表的模型均使用了这一方法。前者重复使用降采样和上采样的沙漏状网络来推断人体的关键点位置，后者使用排列有序的网络架构来实现空间信息和纹理信息的建模。这两个网络中的每一个阶段都会单独地去监督某一部分的学习，同时使用级联的网络结构将空间信息和纹理信息有效融合在一起。……