著裝場景下雙分支網(wǎng)絡(luò)的人體姿態(tài)估計(jì)

呂中正，劉驪,2*，付曉東,2，劉利軍,2，黃青松,2

1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，昆明 650500；2.云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，昆明 650500

0 引 言

單人姿態(tài)估計(jì)(Wang等，2020)是指識(shí)別和定位出輸入圖像中單個(gè)人體的關(guān)節(jié)點(diǎn)，廣泛應(yīng)用于姿態(tài)追蹤、人機(jī)交互、行為識(shí)別以及虛擬試衣等領(lǐng)域。傳統(tǒng)的單人姿態(tài)估計(jì)主要基于圖結(jié)構(gòu)模型，Ramanan(2006)將人體表示為多個(gè)部件，通過提取手工設(shè)定的圖像特征解決關(guān)節(jié)匹配問題。Yang和Ramanan(2011)通過部件的幾何形變和外觀等信息構(gòu)建混合部件模型，以約束各個(gè)部件的空間關(guān)系。代欽等人(2017)定義人體部位的遮擋級(jí)別，通過部位形變模型解決人體姿態(tài)估計(jì)的遮擋干擾問題。傳統(tǒng)方法具有較好的時(shí)間效率，但受到人工語義標(biāo)注的限制，很難擴(kuò)展到背景復(fù)雜和人體姿態(tài)變化大的場景。為解決以上問題，很多研究工作使用基于深度卷積神經(jīng)網(wǎng)絡(luò)方法，通過提取更為豐富的深度卷積特征，解決復(fù)雜背景下的人體姿態(tài)估計(jì)精度低的問題。Toshev和Szegedy(2014)最早將深度卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用于人體姿態(tài)估計(jì)，采用多階段回歸的思路設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，以關(guān)節(jié)點(diǎn)坐標(biāo)為優(yōu)化目標(biāo)，回歸輸出人體關(guān)節(jié)點(diǎn)坐標(biāo)，最終獲得準(zhǔn)確的人體關(guān)節(jié)點(diǎn)坐標(biāo)位置。Tompson等人(2015)改進(jìn)了已有的回歸網(wǎng)絡(luò)模型，采用逐像素的關(guān)節(jié)點(diǎn)熱圖檢測(cè)代替關(guān)節(jié)點(diǎn)坐標(biāo)回歸，有效提高了關(guān)節(jié)點(diǎn)定位的魯棒性。這些方法極大地促進(jìn)了深度卷積神經(jīng)網(wǎng)絡(luò)在人體姿態(tài)估計(jì)任務(wù)上的應(yīng)用。

隨著網(wǎng)上購物的普及，在線服裝購物受到極大歡迎，許多研究者投入到服裝分類、服裝檢索以及虛擬試衣等服裝分析領(lǐng)域。Liu等人(2016)提出大型時(shí)尚著裝數(shù)據(jù)集DeepFashion用于服裝分類和檢索。Ge等人(2019)在DeepFashion基礎(chǔ)上提出DeepFashion2用于服裝檢測(cè)和識(shí)別、分割、檢索以及姿態(tài)估計(jì)等更為全面的任務(wù)。這些任務(wù)不僅面向大量著裝場景下的圖像數(shù)據(jù)集，亦需關(guān)注以人為中心的著裝圖像區(qū)域。而著裝場景下的人體姿態(tài)估計(jì)不僅可以精確估計(jì)出每個(gè)著裝圖像的人體姿態(tài)，同時(shí)可以為虛擬試衣、服裝推薦和服裝檢索等服裝分析領(lǐng)域提供人體姿態(tài)的先驗(yàn)信息。

已有的人體姿態(tài)估計(jì)方法側(cè)重人體穿著簡單的場景，如馬克斯普朗克計(jì)算機(jī)科學(xué)研究所(Max Planck Institut Informatik，MPII)人體姿態(tài)數(shù)據(jù)集(Andriluka等，2014)中圖像主要為運(yùn)動(dòng)、會(huì)議以及娛樂等場景，通常這些場景中服裝款式單一、服裝對(duì)人體關(guān)節(jié)點(diǎn)的遮擋較少。區(qū)別于其他場景，著裝場景更關(guān)注人體穿著服飾的多樣性，具有以下特點(diǎn)：1)著裝人體圖像多來源于時(shí)尚街拍，背景更具有多樣性和復(fù)雜性；2)著裝人體姿態(tài)多樣和視角位置多變；3)人體穿著款式不一且對(duì)關(guān)節(jié)點(diǎn)遮擋的服飾眾多、服裝紋理以及顏色多樣。已有的著裝場景下人體姿態(tài)估計(jì)方法主要有基于著裝標(biāo)簽的姿態(tài)重定義方法(Yamaguchi等，2012)以及深度學(xué)習(xí)方法(Marras等，2017)，但仍不能有效實(shí)現(xiàn)著裝場景下的人體姿態(tài)估計(jì)。目前，著裝場景下的單人姿態(tài)估計(jì)仍然存在以下難點(diǎn)：1)豐富多樣的圖像背景內(nèi)容以及人體穿著服飾紋理、顏色信息會(huì)對(duì)人體姿態(tài)估計(jì)特征提取造成嚴(yán)重干擾，需提高人體關(guān)節(jié)點(diǎn)特征提取的準(zhǔn)確率；2)多變的人體姿態(tài)和視角位置，使人體姿態(tài)估計(jì)網(wǎng)絡(luò)學(xué)習(xí)變得困難，需構(gòu)造適合學(xué)習(xí)多變姿態(tài)和視角位置信息的姿態(tài)估計(jì)網(wǎng)絡(luò)模型，以提高人體姿態(tài)估計(jì)的魯棒性；3)著裝人體姿態(tài)可見性受到人體穿著服飾的干擾，導(dǎo)致人體姿態(tài)估計(jì)時(shí)存在關(guān)節(jié)點(diǎn)誤定位問題，需結(jié)合著裝語義部位，以提高人體姿態(tài)估計(jì)的精度。

因此，本文以著裝場景下的時(shí)尚街拍圖像為例，提出結(jié)合姿態(tài)表示和部位分割的雙分支網(wǎng)絡(luò)，實(shí)現(xiàn)著裝場景下高精度的單人姿態(tài)估計(jì)。本文方法流程如圖1所示，主要貢獻(xiàn)如下：1)通過在堆疊沙漏網(wǎng)絡(luò)的基礎(chǔ)上增加多尺度損失與特征融合，構(gòu)建著裝姿態(tài)表示分支網(wǎng)絡(luò)，以學(xué)習(xí)關(guān)節(jié)點(diǎn)的局部和全局特征，解決著裝圖像多樣的背景和人體穿著服飾對(duì)關(guān)節(jié)點(diǎn)特征提取的干擾，增強(qiáng)關(guān)節(jié)點(diǎn)的定位精度；2)基于對(duì)著裝圖像數(shù)據(jù)集中著裝人體姿態(tài)聚類得到的姿態(tài)模板，定義姿態(tài)類別損失函數(shù)，并結(jié)合歐氏距離損失函數(shù)構(gòu)造姿態(tài)表示分支的多尺度損失，提高網(wǎng)絡(luò)對(duì)著裝人體姿態(tài)變化和不同視角下人體姿態(tài)估計(jì)的魯棒性；3)融合殘差網(wǎng)絡(luò)的深層、淺層特征構(gòu)建著裝部位分割分支網(wǎng)絡(luò)，使用著裝部位分割信息對(duì)人體關(guān)節(jié)點(diǎn)定位進(jìn)行約束，最后通過姿態(tài)優(yōu)化，提升人體姿態(tài)估計(jì)時(shí)關(guān)節(jié)點(diǎn)的定位精度。

圖1 著裝場景下人體姿態(tài)估計(jì)方法流程圖Fig.1 The whole framework of human pose estimation in dressing scene

1 相關(guān)工作

目前，基于深度卷積神經(jīng)網(wǎng)絡(luò)的單人姿態(tài)估計(jì)方法取得了較大進(jìn)展。Wei等人(2016)構(gòu)建多階段級(jí)聯(lián)的順序化卷積結(jié)構(gòu)學(xué)習(xí)關(guān)節(jié)點(diǎn)空間信息和紋理信息，通過累加所有階段的響應(yīng)圖將置信度最大的點(diǎn)作為關(guān)節(jié)點(diǎn)位置實(shí)現(xiàn)關(guān)節(jié)點(diǎn)的精確定位。Newell等人(2016)提出堆疊沙漏網(wǎng)絡(luò)，每個(gè)沙漏模塊將特征進(jìn)行多次下采樣和上采樣，并將下采樣與上采樣過程中大小相同的特征融合，不僅獲得了不同尺度的關(guān)節(jié)點(diǎn)特征，同時(shí)降低了模型的計(jì)算量。后續(xù)很多研究工作將沙漏網(wǎng)絡(luò)作為高效的基礎(chǔ)性網(wǎng)絡(luò)架構(gòu)。Yang等人(2017)基于沙漏模塊增加金字塔殘差模塊，采用多分支網(wǎng)絡(luò)對(duì)輸入特征進(jìn)行下采樣，得到大小不同的特征圖，再進(jìn)行上采樣合并到同一尺度，提高模型的尺度不變性。Tang等人(2018)以5個(gè)沙漏模塊為主干網(wǎng)絡(luò)，通過將關(guān)節(jié)點(diǎn)分為低級(jí)、中級(jí)和高級(jí)的組合方式解決單人姿態(tài)估計(jì)中圖像低分辨率模糊問題。

多尺度特征可同時(shí)學(xué)習(xí)豐富的空間和語義信息，有效增強(qiáng)人體姿態(tài)估計(jì)模型的學(xué)習(xí)能力。Chen等人(2018)將網(wǎng)絡(luò)分為全局網(wǎng)絡(luò)和精確網(wǎng)絡(luò)兩個(gè)階段，全局網(wǎng)絡(luò)采用基于特征金字塔網(wǎng)絡(luò)獲得多尺度特征并預(yù)測(cè)簡單可見的關(guān)節(jié)點(diǎn)，精確網(wǎng)絡(luò)融合多尺度特征預(yù)測(cè)困難的關(guān)節(jié)點(diǎn)。Xiao等人(2018)采用反卷積的方式從低分辨率特征圖中恢復(fù)高分辨率特征圖，結(jié)合網(wǎng)絡(luò)每個(gè)尺度特征輸出關(guān)節(jié)點(diǎn)熱圖。Ke等人(2018)通過多尺度特征融合加強(qiáng)人體關(guān)節(jié)點(diǎn)語義部位特征的學(xué)習(xí)。Sun等人(2019)提出保持高分辨率特征，并行連接多分辨率子網(wǎng)絡(luò)，通過多次多尺度特征融合提高關(guān)節(jié)點(diǎn)定位精度。楊興明等人(2019)構(gòu)建多層模型學(xué)習(xí)不同尺度的結(jié)構(gòu)特征，并通過串聯(lián)初始特征解決混雜背景的干擾問題。Li等人(2020)在沙漏網(wǎng)絡(luò)基礎(chǔ)上增加多尺度特征并結(jié)合注意力機(jī)制生成高質(zhì)量關(guān)節(jié)點(diǎn)熱圖。受該方法的啟發(fā)，本文在堆疊沙漏網(wǎng)絡(luò)的基礎(chǔ)上提出增加多尺度損失與特征融合。與該方法不同的是，本文通過姿態(tài)聚類構(gòu)建姿態(tài)類別損失函數(shù)，并與均方誤差損失函數(shù)結(jié)合，以提高關(guān)節(jié)點(diǎn)的定位精度。

人體部位語義分割作為與人體姿態(tài)估計(jì)高度相關(guān)的任務(wù)，得到的人體語義部位不僅可以將人體關(guān)節(jié)點(diǎn)約束在特定的部位區(qū)域，亦能輔助人體關(guān)節(jié)點(diǎn)歸類。Yamaguchi等人(2012)從兩個(gè)不同方向分析了服裝和姿態(tài)的關(guān)系，提出使用每個(gè)位置附近解析標(biāo)簽的歸一化直方圖作為精確姿態(tài)估計(jì)的附加特征。Ladicky等人(2013)通過對(duì)身體部位的語義分割獲得人體關(guān)節(jié)點(diǎn)的外觀和形狀信息。Dong等人(2014)利用網(wǎng)格布局特征對(duì)語義部位和混合關(guān)節(jié)組模板之間的成對(duì)幾何關(guān)系建模，并構(gòu)造and-or圖同時(shí)估計(jì)關(guān)節(jié)定位和語義標(biāo)簽。Nie等人(2018)通過設(shè)計(jì)解析誘導(dǎo)學(xué)習(xí)器學(xué)習(xí)姿態(tài)模型的動(dòng)態(tài)參數(shù)，提取有用的互補(bǔ)解析特征以提高人體姿態(tài)估計(jì)精度。Liang等人(2019)采用聯(lián)合細(xì)化網(wǎng)絡(luò)，聯(lián)合人體解析中間結(jié)果用于細(xì)化人體姿態(tài)估計(jì)結(jié)果。上述方法在利用人體部位語義分割結(jié)果促進(jìn)人體姿態(tài)估計(jì)任務(wù)上取得了較好成果，但忽視了人體穿著多變對(duì)關(guān)節(jié)點(diǎn)可見性的影響，不能有效利用人體著裝部位構(gòu)建與人體關(guān)節(jié)點(diǎn)的位置約束關(guān)系。

Xia等人(2017)聯(lián)合解決人體部位語義分割和人體姿態(tài)估計(jì)兩個(gè)任務(wù)，通過人體部位語義分割限制人體姿態(tài)定位的變化。針對(duì)著裝場景下的人體穿著多變導(dǎo)致人體姿態(tài)估計(jì)精度低問題，受Xia等人(2017)方法的啟發(fā)，本文構(gòu)建了包含著裝姿態(tài)表示和著裝部位分割的雙分支網(wǎng)絡(luò)。著裝姿態(tài)表示分支引入姿態(tài)類別損失函數(shù)，通過多尺度損失與特征融合增強(qiáng)關(guān)節(jié)點(diǎn)的局部與全局特征，得到初步的人體姿態(tài)估計(jì)結(jié)果。著裝部位分割分支融合殘差網(wǎng)絡(luò)的深層、淺層特征輸出著裝部位分割信息，基于人體關(guān)節(jié)點(diǎn)作為相鄰著裝部位的連接點(diǎn)思想構(gòu)建部位關(guān)節(jié)平滑項(xiàng)，以約束人體關(guān)節(jié)點(diǎn)定位，最后通過姿態(tài)優(yōu)化得到精確的人體姿態(tài)估計(jì)結(jié)果。

2 雙分支網(wǎng)絡(luò)

本文通過對(duì)輸入的著裝圖像進(jìn)行人體檢測(cè)(He等，2017)，得到著裝人體區(qū)域，分別輸入到著裝姿態(tài)表示和著裝部位分割分支。

2.1 著裝姿態(tài)表示

2.1.1 姿態(tài)聚類

區(qū)別于其他場景的人體姿態(tài)，著裝場景下的人體姿態(tài)具有姿態(tài)多樣以及視角位置多變的特殊性，導(dǎo)致人體姿態(tài)估計(jì)網(wǎng)絡(luò)學(xué)習(xí)變得困難。本文通過對(duì)著裝人體姿態(tài)聚類得到姿態(tài)模板，以表示著裝場景下的各類人體姿態(tài)。

將著裝圖像數(shù)據(jù)集中的著裝人體姿態(tài)定義為一個(gè)向量列表，使用向量P=(C1,C2,…,Cm)∈Rm×3表示一個(gè)人的關(guān)節(jié)點(diǎn)集合。其中，Ci=(x,y,v)∈R3是一個(gè)3維向量，x，y表示一個(gè)關(guān)節(jié)點(diǎn)的坐標(biāo)位置，v表示該關(guān)節(jié)點(diǎn)是否遮擋，m表示一個(gè)人的關(guān)節(jié)點(diǎn)總數(shù)。由于著裝人體姿態(tài)包含不同視角信息，為此，參照LSP(leeds sports pose)數(shù)據(jù)集(Johnson和Everingham，2010)關(guān)節(jié)點(diǎn)類型設(shè)定，定義關(guān)節(jié)點(diǎn)總數(shù)為14，包含頭頂關(guān)節(jié)、頸關(guān)節(jié)、左/右肩關(guān)節(jié)、左/右肘關(guān)節(jié)、左/右腕關(guān)節(jié)、左/右髖關(guān)節(jié)、左/右膝關(guān)節(jié)以及左/右踝關(guān)節(jié)。

首先，對(duì)訓(xùn)練集中已標(biāo)注的姿態(tài)信息和人體邊界框信息的圖像進(jìn)行預(yù)處理。1)利用人體邊界框標(biāo)注裁剪出人體感興趣區(qū)域(region of interest，RoI)，并使用姿態(tài)坐標(biāo)信息將人體置于ROI的中心；2)為了便于姿態(tài)坐標(biāo)歸一化，將ROI的大小調(diào)整到64×64像素；3)由于包含有效關(guān)節(jié)點(diǎn)較少的姿態(tài)不具備代表性，并且在聚類的過程中會(huì)成為壞點(diǎn)，因此，僅將數(shù)據(jù)集圖像中包含大于8個(gè)有效關(guān)節(jié)點(diǎn)的著裝姿態(tài)進(jìn)行聚類。

然后，采用K-means聚類方法(Zhang等，2019)進(jìn)行優(yōu)化。具體為

(1)

式中，S表示k個(gè)姿態(tài)類別的集合{S1,S2,…,Sk}，P表示數(shù)據(jù)集中標(biāo)注的姿態(tài)，Pμi表示每類姿態(tài)集合Si中的姿態(tài)平均值。Dist(·)定義了兩個(gè)人體姿態(tài)的距離，計(jì)算式為

(2)

式中，m表示14類人體關(guān)節(jié)點(diǎn)，Cμij表示第j類關(guān)節(jié)點(diǎn)位置集合的平均值，Cj表示第j個(gè)關(guān)節(jié)點(diǎn)的位置，具體定義為

(3)

式中，x和y表示關(guān)節(jié)點(diǎn)在圖像中的像素位置。

最后，將訓(xùn)練集中已標(biāo)注的多個(gè)姿態(tài)信息(P1,P2,…,Pn)聚類成k(k≤n)個(gè)類別的姿態(tài)集合。

聚類后，使用每個(gè)姿態(tài)類的平均值Pμi構(gòu)成姿態(tài)模板，并將Pμi中v>0.5的關(guān)節(jié)點(diǎn)設(shè)置為有效關(guān)節(jié)點(diǎn)，最后的姿態(tài)模板為Pμi中有效關(guān)節(jié)點(diǎn)的組合。圖2給出了本文訓(xùn)練集中不同k值的聚類結(jié)果。其中，k=2時(shí)，聚類結(jié)果為半身和全身的姿態(tài)模板；k=3時(shí)，聚類結(jié)果為半身、全身正面以及全身背面的姿態(tài)模板；k=4時(shí)，聚類結(jié)果為半身、全身正面、全身背面、側(cè)面的姿態(tài)模板；k=5時(shí)，引入了左、右側(cè)面姿態(tài)模板；當(dāng)k≥6時(shí)，重復(fù)增加了右側(cè)面姿態(tài)模板，在視角位置產(chǎn)生冗余。因此，最終確定k=5的姿態(tài)聚類模板。姿態(tài)模板可為人體姿態(tài)估計(jì)網(wǎng)絡(luò)提供有效的姿態(tài)結(jié)構(gòu)先驗(yàn)信息。由于不同的姿態(tài)模板表示各類著裝場景下的人體姿態(tài)，且本文最終確定的姿態(tài)模板數(shù)為5，因此通過softmax損失將姿態(tài)類別損失函數(shù)定義為

圖2 著裝人體姿態(tài)聚類模板Fig.2 The clustering templates of dressed human pose

(4)

式中，Pk是一個(gè)1×5的向量，該向量的大小取決于姿態(tài)模板的類別數(shù)，Sk表示該圖像中的人物屬于第k種姿態(tài)模板的概率。

2.1.2 多尺度損失及特征融合

單人姿態(tài)估計(jì)中由于關(guān)節(jié)點(diǎn)定位不準(zhǔn)確會(huì)導(dǎo)致關(guān)節(jié)點(diǎn)的錯(cuò)誤拼接，本文通過增加多尺度損失與特征融合學(xué)習(xí)關(guān)節(jié)點(diǎn)多尺度的深度特征，增強(qiáng)人體關(guān)節(jié)點(diǎn)定位精度。為此，在每個(gè)沙漏模塊1/16、1/8、1/4、1/2的4個(gè)反卷積層增加損失監(jiān)督，如圖3所示。

圖3 多尺度損失及特征融合Fig.3 Multi-scale loss and feature fusion

為減少原始圖像直接輸入沙漏網(wǎng)絡(luò)耗占的顯存資源，在圖像輸入姿態(tài)表示分支時(shí)進(jìn)行卷積和最大池化操作，將每個(gè)輸入圖像的分辨率調(diào)整至64×64像素；再使用1×1卷積核對(duì)4個(gè)尺度的特征圖進(jìn)行降維操作，在每個(gè)尺度得到與關(guān)節(jié)點(diǎn)數(shù)量相同的特征圖維度；最后將關(guān)節(jié)點(diǎn)真值熱圖與預(yù)測(cè)的熱圖在對(duì)應(yīng)尺度下進(jìn)行誤差計(jì)算，這里關(guān)節(jié)點(diǎn)真值熱圖大小調(diào)整至64×64像素，進(jìn)而下采樣至1/16、1/8、1/4和1/2尺度，并通過1×1卷積將對(duì)應(yīng)尺度下反卷積層輸出的特征預(yù)測(cè)為關(guān)節(jié)點(diǎn)熱圖。

數(shù)據(jù)集圖像中關(guān)節(jié)點(diǎn)真值熱圖的生成參照堆疊沙漏網(wǎng)絡(luò)(Newell等，2016)，以關(guān)節(jié)點(diǎn)位置(x,y)為中心，使用2維高斯函數(shù)生成第m個(gè)關(guān)節(jié)點(diǎn)的真值熱圖Gm(x,y)，標(biāo)準(zhǔn)差為1像素。為了提供有效的多尺度損失，本文將損失函數(shù)定義為每個(gè)尺度下的所有關(guān)節(jié)點(diǎn)熱圖的均方誤差損失之和。因此，第i個(gè)尺度預(yù)測(cè)的所有關(guān)節(jié)點(diǎn)熱圖與對(duì)應(yīng)尺度的真值熱圖損失函數(shù)定義為

(5)

式中，M為14，表示預(yù)測(cè)的14個(gè)人體關(guān)節(jié)點(diǎn)，Pm(x,y)和Gm(x,y)分別表示在像素位置(x,y)代表第m個(gè)關(guān)節(jié)的預(yù)測(cè)得分圖和真值熱圖。

多尺度損失定義為

(6)

式中，I為4，表示為沙漏模塊4個(gè)不同的尺度，i表示第i個(gè)尺度。

為了給多尺度姿態(tài)估計(jì)網(wǎng)絡(luò)提供有效的著裝人體姿態(tài)先驗(yàn)信息，本文將姿態(tài)模板下采樣至1/16、1/8、1/4和1/2尺度，并結(jié)合姿態(tài)類別損失函數(shù)，定義最終的聯(lián)合損失函數(shù)為

(7)

融合關(guān)節(jié)點(diǎn)多尺度特征能夠更好地提高關(guān)節(jié)點(diǎn)定位的魯棒性，為此基于多尺度損失在最后一個(gè)沙漏模塊增加多尺度特征融合。采用上采樣和concat操作，將4個(gè)尺度分別以×2、×4、×8、×16的倍率進(jìn)行上采樣，以融合原始特征。采用反卷積層將融合后的特征恢復(fù)到輸入圖像相同的尺寸，通過1×1卷積層輸出像素級(jí)人體關(guān)節(jié)點(diǎn)得分圖Pj。通過對(duì)所有尺度的特征映射學(xué)習(xí)，可以全局優(yōu)化關(guān)節(jié)點(diǎn)定位，進(jìn)一步提高人體關(guān)節(jié)點(diǎn)的定位精度，有效避免關(guān)節(jié)點(diǎn)的錯(cuò)誤拼接。

2.2 著裝部位分割

精確的著裝部位分割可以為人體姿態(tài)估計(jì)提供有效的著裝部位信息，以增強(qiáng)關(guān)節(jié)點(diǎn)的定位精度。

基于全卷積網(wǎng)絡(luò)的方法通常迭代地使用卷積和池化操作，降低了特征映射的分辨率，丟失了更精細(xì)的圖像信息，導(dǎo)致語義部位分割結(jié)果不準(zhǔn)確。Ruan等人(2019)提出采用低層特征補(bǔ)償可引入高分辨率的圖像信息。受此啟發(fā)，本文采用低層特征與高層特征跳躍連接的方式獲得高分辨率信息，以增強(qiáng)著裝部位分割的準(zhǔn)確度。具體地，通過ResNet101(residual neural network)網(wǎng)絡(luò)提取圖像語義部位特征，使用網(wǎng)絡(luò)的Res2特征捕獲高分辨率信息。著裝部位分割分支先采用雙線性插值對(duì)殘差網(wǎng)絡(luò)的最后一層特征Res5進(jìn)行上采樣，并使用1×1卷積降低特征維度，然后使用1×1卷積將殘差網(wǎng)絡(luò)的第2層級(jí)特征Res2與上采樣后的特征Res5進(jìn)行跳躍連接操作，獲得同時(shí)包含高級(jí)語義信息和高分辨率信息的特征，最后采用反卷積層將融合后的特征恢復(fù)到輸入圖像相同的尺寸，逐像素計(jì)算softmax分類損失，通過1×1卷積層為7個(gè)著裝語義部位類型輸出對(duì)應(yīng)的著裝部位得分圖Ps。其中，softmax分類損失函數(shù)定義為

(8)

式中，wj是一個(gè)1×7的向量，si表示該像素屬于第i個(gè)語義部位類型概率，向量w對(duì)應(yīng)7個(gè)語義部位類型，包含上臂、下臂、腿部上半?yún)^(qū)域、腿部下半?yún)^(qū)域、頭部和身體等6個(gè)著裝部位以及背景。

3 姿態(tài)優(yōu)化

由于人體關(guān)節(jié)點(diǎn)存在于相鄰著裝部位的交界處，以頭頂關(guān)節(jié)與頸關(guān)節(jié)為例，頭頂關(guān)節(jié)應(yīng)定位在頭部著裝部位區(qū)域內(nèi)以及頭部著裝部位的邊界附近，頸關(guān)節(jié)應(yīng)定位在頭部著裝區(qū)域或者身體著裝區(qū)域內(nèi)以及頭部著裝區(qū)與身體著裝區(qū)域的相交邊界附近，即每個(gè)人體關(guān)節(jié)點(diǎn)類型都關(guān)聯(lián)著1個(gè)或者2個(gè)著裝部位，如表1所示。

表1 人體關(guān)節(jié)點(diǎn)與關(guān)聯(lián)的人體著裝部位Table 1 Human body joint points and related dressing part/parts

此外，每相鄰關(guān)節(jié)類型都關(guān)聯(lián)著1個(gè)著裝部位類型，如頭頂關(guān)節(jié)與頸關(guān)節(jié)的連接線應(yīng)在頭部著裝區(qū)域內(nèi)，如表2所示。

表2 相鄰關(guān)節(jié)點(diǎn)與關(guān)聯(lián)的人體著裝部位Table 2 Adjacent joint points and related dressing part

因此，基于著裝部位與人體關(guān)節(jié)點(diǎn)的約束關(guān)系，設(shè)計(jì)部位關(guān)節(jié)平滑項(xiàng)。采用全連接條件隨機(jī)場(conditional random field，CRF)進(jìn)行著裝人體姿態(tài)優(yōu)化，以獲得魯棒性的關(guān)節(jié)點(diǎn)上下文關(guān)系。

將全連接CRF定義為圖結(jié)構(gòu)G={V,E}，節(jié)點(diǎn)集合V={c1,c2,…,cn}表示所有候選關(guān)節(jié)點(diǎn)的定位，邊集合E={(ci,cj)|i=1,2,…,n,j=1,2,…,n,i

(9)

式中，ψi為一元項(xiàng)函數(shù)，表示基于關(guān)節(jié)點(diǎn)得分圖Pj在定位ci上的對(duì)數(shù)似然函數(shù)，定義為

(10)

ψi,j為二元項(xiàng)函數(shù)，表示基于部位得分圖Ps在對(duì)應(yīng)著裝部位與關(guān)節(jié)點(diǎn)約束關(guān)系的對(duì)數(shù)似然函數(shù)，具體為

(11)

(12)

式中，由部位關(guān)節(jié)平滑項(xiàng)f(ci,cj,lci,lcj|Ps)經(jīng)邏輯回歸得到，ω為權(quán)值參數(shù)，包含3個(gè)類型的特征，fu(ci,lci|Ps)表示關(guān)節(jié)類型為lci的關(guān)節(jié)點(diǎn)在定位ci與對(duì)應(yīng)著裝部位的約束關(guān)系；fu(cj,lcj|Ps)表示關(guān)節(jié)類型為lci的關(guān)節(jié)點(diǎn)在定位cj與對(duì)應(yīng)著裝部位的約束關(guān)系；fp(ci,cj,lci,lcj|Ps)表示關(guān)節(jié)類型對(duì)為(lci,lcj)分別在定位ci和cj與對(duì)應(yīng)著裝部位的約束關(guān)系。ci和cj表示關(guān)節(jié)點(diǎn)的候選位置，lci和lcj表示關(guān)節(jié)類型。

本文基于著裝部位得分圖Ps構(gòu)建部位關(guān)節(jié)平滑項(xiàng)f(ci,cj,lci,lcj|Ps)，假設(shè)lci為頭頂關(guān)節(jié)，lcj為頸關(guān)節(jié)，則fu(ci,lci|Ps)是2維特征向量，第1個(gè)維度表示ci是否在頭部著裝區(qū)域內(nèi)，第2個(gè)維度表示ci是否在頭部著裝區(qū)域的邊界附近(邊界的10個(gè)像素內(nèi))。fu(cj,lcj|Ps)是4維特征向量，第1個(gè)維度表示cj是否在頭部著裝區(qū)域內(nèi)，第2個(gè)維度表示cj是否在頭部著裝區(qū)域的邊界附近(邊界的10個(gè)像素內(nèi))，第3個(gè)維度表示cj是否在身體著裝部位內(nèi)，第4個(gè)維度表示cj是否在身體著裝部位的邊界附近(邊界的10個(gè)像素內(nèi))。fp(ci,cj,lci,lcj|Ps)是2維特征向量，第1個(gè)維度表示ci與cj連線是否在頭部著裝區(qū)域內(nèi)；第2個(gè)維度表示由ci與cj構(gòu)造的長寬比為2.5 ∶1的矩形區(qū)域與頭部著裝部位的交并比(intersection-over-union，IOU)。此外，對(duì)于相鄰關(guān)節(jié)則提取全部3個(gè)特征，對(duì)于非相鄰關(guān)節(jié)如頭頂與踝關(guān)節(jié)，將特征fp(ci,cj,lci,lcj|Ps)設(shè)置為0。

為了降低全連接CRF計(jì)算的復(fù)雜性，首先對(duì)輸入圖像進(jìn)行人體檢測(cè)并采用非極大值抑制(non-maximum suppression，NMS)篩選關(guān)節(jié)得分圖Pj，為每個(gè)關(guān)節(jié)點(diǎn)類型生成6個(gè)候選定位。然后，基于一元關(guān)節(jié)項(xiàng)和部位關(guān)節(jié)平滑項(xiàng)，參照DeeperCut(Insafutdinov等，2016)的推理算法，將全連接CRF轉(zhuǎn)換為帶有L約束的整數(shù)線性規(guī)劃(integer linear programming，ILP)問題，為生成的候選關(guān)節(jié)點(diǎn)位置c1,c2,…,cn分配關(guān)節(jié)類型標(biāo)簽，并組合成多個(gè)姿態(tài)配置。其中，丟失的關(guān)節(jié)點(diǎn)得分設(shè)定為0.2分，每個(gè)姿態(tài)的得分為一元關(guān)節(jié)項(xiàng)里所有可見關(guān)節(jié)點(diǎn)得分的總和。最后，通過非極大值抑制算法去除相似的姿態(tài)配置，并以姿態(tài)中心最接近人體檢測(cè)框中心的姿態(tài)為本文最終輸出的人體姿態(tài)估計(jì)結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)硬件平臺(tái)為Inter Core i9-9900K @3.60 GHz CPU、2080Ti GPU和32 GB DDR4 2 666 MHz Ram，集成式開發(fā)環(huán)境為PyCharm等。

由于時(shí)尚街拍圖像易于獲取，且包含了著裝場景中背景多樣復(fù)雜、人體姿態(tài)和視角位置多變、服裝紋理顏色多樣以及服裝對(duì)關(guān)節(jié)點(diǎn)遮擋較多的特點(diǎn)，因此，本文以時(shí)尚街拍圖像為例，通過爬取大型時(shí)尚街拍圖像網(wǎng)站Chictopia，并結(jié)合在線圖像搜集獲得數(shù)據(jù)集原始圖像，構(gòu)建了一個(gè)包含7個(gè)語義部位標(biāo)簽和14個(gè)人體關(guān)節(jié)點(diǎn)標(biāo)注的著裝人體圖像數(shù)據(jù)集。該數(shù)據(jù)集共23 875幅圖像，包含男性圖像9 256幅和女性圖像14 619幅。使用LabelMe對(duì)數(shù)據(jù)集原始圖像進(jìn)行精細(xì)的語義部位標(biāo)注和人體關(guān)節(jié)點(diǎn)標(biāo)注，語義部位標(biāo)注包含上臂、下臂、腿部上半?yún)^(qū)域、腿部下半?yún)^(qū)域、頭部、身體等6個(gè)著裝語義部位以及背景。此外，考慮到由于缺少人體姿態(tài)視角位置信息導(dǎo)致已有方法對(duì)著裝人體側(cè)面以及背面視角姿態(tài)估計(jì)的精度不高，本文構(gòu)建的著裝圖像數(shù)據(jù)集還包含36%側(cè)面姿態(tài)、25%背面姿態(tài)以及39%正面姿態(tài)的著裝人體圖像，如圖4所示。最終選取數(shù)據(jù)集中的20 000幅圖像作為訓(xùn)練集，2 375幅圖像作為測(cè)試集，1 500幅圖像作為驗(yàn)證集。為了更好地學(xué)習(xí)多尺度人體關(guān)節(jié)點(diǎn)特征以及考慮到顯存大小的限制，本文將所有數(shù)據(jù)集圖像分辨率設(shè)置為256×256像素，圖像格式均為jpg格式，數(shù)據(jù)增強(qiáng)包含在[-45°,45°]內(nèi)隨機(jī)旋轉(zhuǎn)度數(shù)，在[0.65,1.35]內(nèi)選擇縮放比例因子以及水平翻轉(zhuǎn)。

圖4 不同視角的姿態(tài)圖像數(shù)量Fig.4 The number of poses with different angles of view

4.2 實(shí)驗(yàn)結(jié)果與性能分析

4.2.1 姿態(tài)聚類有效性分析

評(píng)估方式采用關(guān)節(jié)點(diǎn)正確估計(jì)比例(percentage of correct keypoints，PCK)機(jī)制，以檢測(cè)關(guān)節(jié)點(diǎn)與對(duì)應(yīng)真值間的歸一化距離小于設(shè)定的閾值作為正確估計(jì)的關(guān)節(jié)點(diǎn)。參照MPII數(shù)據(jù)集設(shè)定，以頭部長度作為歸一化參考，閾值以頭部長度乘以一個(gè)系數(shù)表示，如PCKh@0.5表示0.5倍的頭部長度作為評(píng)估設(shè)定的閾值，PCKh的結(jié)果表示該閾值內(nèi)模型在數(shù)據(jù)集中正確估計(jì)的關(guān)節(jié)點(diǎn)數(shù)占總關(guān)節(jié)點(diǎn)數(shù)的比例。

本文使用K均值聚類方法對(duì)數(shù)據(jù)集中已標(biāo)注的姿態(tài)坐標(biāo)信息進(jìn)行聚類，圖5展示了不同數(shù)量的姿態(tài)模板構(gòu)建的姿態(tài)類別損失函數(shù)對(duì)姿態(tài)表示模型效果的影響?？梢钥闯?，姿態(tài)模板數(shù)小于等于5時(shí)，姿態(tài)估計(jì)的PCKh值不斷上升，姿態(tài)模板數(shù)大于5時(shí)，姿態(tài)估計(jì)的PCKh值開始下降，這是由于姿態(tài)模板數(shù)為5時(shí)包含了人體正面、背面以及左右側(cè)面的全部視角位置信息。姿態(tài)模板數(shù)為6時(shí)，姿態(tài)模板引入了右側(cè)面視角，在視角位置產(chǎn)生冗余，所以本文將姿態(tài)類別數(shù)設(shè)置為5，以構(gòu)建姿態(tài)類別損失函數(shù)，提高不同視角下著裝人體姿態(tài)估計(jì)的魯棒性，進(jìn)一步提高著裝人體姿態(tài)估計(jì)的精度。

圖5 姿態(tài)表示模型的PCKh@0.5結(jié)果Fig.5 The PCKh@0.5 result of pose representation model

為了說明姿態(tài)類別損失函數(shù)的有效性，本文確定姿態(tài)模板數(shù)量為5，并在姿態(tài)表示模型的基礎(chǔ)上，將有姿態(tài)類別損失函數(shù)與無姿態(tài)類別損失函數(shù)的關(guān)節(jié)點(diǎn)正確估計(jì)比例進(jìn)行對(duì)比，結(jié)果如表3所示?？梢钥闯?，有姿態(tài)類別損失的姿態(tài)表示模型PCHh@0.5值比無姿態(tài)類別損失的提高了0.7%，說明提出的姿態(tài)類別損失能夠有效提升著裝人體姿態(tài)估計(jì)精度。

表3 有無姿態(tài)類別損失對(duì)姿態(tài)表示模型的影響(PCKh@0.5)Table 3 The influence of the pose category loss on the pose representation model (PCKh@0.5) /%

4.2.2 姿態(tài)優(yōu)化對(duì)比實(shí)驗(yàn)

圖6展示了姿態(tài)表示模型中最終優(yōu)化構(gòu)造的聯(lián)合損失函數(shù)在訓(xùn)練過程中隨著迭代次數(shù)增加的損失變化，共迭代500 000次。從圖6可以看出，網(wǎng)絡(luò)具有較快的收斂性能，最終趨于穩(wěn)定的擬合。

圖6 損失函數(shù)變化曲線Fig.6 Change curve of loss function

圖7展示了在姿態(tài)表示模型的基礎(chǔ)上無著裝部位分割的姿態(tài)估計(jì)結(jié)果、結(jié)合著裝部位分割優(yōu)化后的姿態(tài)估計(jì)結(jié)果以及著裝部位分割結(jié)果?？梢钥闯?，本文提出的著裝部位分割具有較好的分割效果，在結(jié)合著裝部位分割優(yōu)化后，能有效避免人體關(guān)節(jié)點(diǎn)的誤定位。

圖7 姿態(tài)優(yōu)化對(duì)比結(jié)果Fig.7 The contrastive results of pose optimization ((a)original images；(b)without dressed part segmentation；(c)dressed part segmentation；(d)with dressed part segmentation)

圖8是姿態(tài)表示模型和姿態(tài)優(yōu)化與堆疊沙漏網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)結(jié)果。可以看出，姿態(tài)表示模型以及姿態(tài)優(yōu)化在不同歸一化距離下都有較高的檢測(cè)準(zhǔn)確率。

圖8 不同歸一化距離的PCKh結(jié)果Fig.8 PCKh results of different normalized distance

4.2.3 姿態(tài)估計(jì)實(shí)驗(yàn)結(jié)果

使用PCKh@0.5評(píng)估機(jī)制分別對(duì)人體肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)、髖關(guān)節(jié)、膝關(guān)節(jié)和踝關(guān)節(jié)6類關(guān)節(jié)以及整體進(jìn)行評(píng)估，衡量著裝圖像中不同人體關(guān)節(jié)點(diǎn)類型的定位精度和整體的人體姿態(tài)估計(jì)性能。其中，肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)、髖關(guān)節(jié)、膝關(guān)節(jié)和踝關(guān)節(jié)代表左右兩側(cè)對(duì)稱關(guān)節(jié)點(diǎn)的平均值。表4展示了本文方法與Yang等人(2017)、Chen等人(2018)、Xiao等人(2018)和Sun等人(2019)4種人體姿態(tài)估計(jì)算法在著裝圖像數(shù)據(jù)集上的評(píng)估結(jié)果。結(jié)果表明，本文提出的人體姿態(tài)估計(jì)雙分支網(wǎng)絡(luò)提高了每類關(guān)節(jié)點(diǎn)的準(zhǔn)確性，并在整體關(guān)節(jié)點(diǎn)評(píng)估取得了92.5%的效果，尤其是在最具有挑戰(zhàn)性的肘關(guān)節(jié)和膝關(guān)節(jié)，分別較Sun等人(2019)方法提高了1.9%和2.1%。通過對(duì)比，驗(yàn)證了本文提出的雙分支網(wǎng)絡(luò)的人體姿態(tài)估計(jì)方法能有效提升著裝圖像中人體姿態(tài)估計(jì)的性能。

表4 著裝人體圖像數(shù)據(jù)集上的PCKh@0.5的結(jié)果Table 4 The results of PCKh@0.5 on the clothing human body image dataset /%

表5 不同人體姿態(tài)估計(jì)方法的時(shí)間復(fù)雜度與檢測(cè)精度比較Table 5 Comparison of time complexity and detection accuracy among different human pose estimation methods

本文對(duì)著裝圖像進(jìn)行人體姿態(tài)估計(jì)，圖9展示了人體姿態(tài)估計(jì)網(wǎng)絡(luò)模型在著裝圖像數(shù)據(jù)集的可視化結(jié)果?？紤]到既要體現(xiàn)著裝場景下人體姿態(tài)的特點(diǎn)，又要體現(xiàn)本文提出的雙分支網(wǎng)絡(luò)的人體姿態(tài)估計(jì)方法的有效性，因此圖9選取了不同視角、姿態(tài)、服裝款式以及背景的人體姿態(tài)估計(jì)實(shí)例，通過與原始堆疊沙漏網(wǎng)絡(luò)、著裝姿態(tài)表示模型(堆疊沙漏網(wǎng)絡(luò)+姿態(tài)類別損失+多尺度損失及特征融合)、Sun等人(2019)的方法以及真值的對(duì)比，展示本文提出的人體姿態(tài)估計(jì)雙分支網(wǎng)絡(luò)(著裝姿態(tài)表示分支+著裝部位分割分支)的效果?？梢钥闯?，1)堆疊沙漏網(wǎng)絡(luò)的結(jié)果(圖9(d))在人體左、右側(cè)面視角出現(xiàn)腿部關(guān)節(jié)點(diǎn)錯(cuò)誤定位，人體背面視角中出現(xiàn)大量關(guān)節(jié)點(diǎn)漏定位，在背景與人體部位相似、人體著裝款式顏色一致和著裝服飾遮擋的情況下均呈現(xiàn)出不同程度的關(guān)節(jié)點(diǎn)誤定位問題。為了克服這些問題，本文基于著裝人體姿態(tài)聚類引入姿態(tài)類別損失，并通過增加多尺度損失以及特征融合構(gòu)建姿態(tài)表示模型。2)姿態(tài)表示模型的結(jié)果(圖9(e))有效解決了人體視角多樣以及背景和服裝款式干擾導(dǎo)致的關(guān)節(jié)點(diǎn)誤定位和漏定位問題。3)本文提出的人體姿態(tài)估計(jì)雙分支網(wǎng)絡(luò)的結(jié)果(圖9(f))通過結(jié)合著裝部位分割約束人體關(guān)節(jié)點(diǎn)定位，有效解決了由于著裝場景中人體關(guān)節(jié)點(diǎn)易受穿著服飾遮擋導(dǎo)致關(guān)節(jié)點(diǎn)定位失敗的問題，進(jìn)一步提高了著裝人體姿態(tài)估計(jì)精度。

圖9 著裝人體姿態(tài)估計(jì)結(jié)果對(duì)比Fig.9 Qualitative results of human pose estimation in dressing scene((a)original images；(b)ground truth；(c)Sun et al.(2019)； (d)stacked hourglass network；(e)dressed pose representation model；(f)ours)

4.2.4 消融分析

為了驗(yàn)證人體姿態(tài)估計(jì)網(wǎng)絡(luò)模型每個(gè)部分的有效性，在構(gòu)建的著裝人體圖像數(shù)據(jù)集的驗(yàn)證集上進(jìn)行消融分析。首先以沙漏網(wǎng)絡(luò)作為人體姿態(tài)估計(jì)的基礎(chǔ)網(wǎng)絡(luò)，然后分別在基礎(chǔ)網(wǎng)絡(luò)基礎(chǔ)上增加多尺度損失、特征融合以及結(jié)合著裝部位約束部分。實(shí)驗(yàn)結(jié)果如表6所示，其中，Base表示基礎(chǔ)網(wǎng)絡(luò)，Base+M表示在基礎(chǔ)網(wǎng)絡(luò)上增加多尺度歐氏距離損失監(jiān)督，Base+M*表示在基礎(chǔ)網(wǎng)絡(luò)上增加多尺度聯(lián)合損失監(jiān)督，其中損失函數(shù)包括歐氏距離損失和姿態(tài)類別損失，Base+M*+C表示在Base+M*基礎(chǔ)上增加特征融合，即著裝姿態(tài)表示模型，Base+full表示在Base+M*+C基礎(chǔ)上增加著裝部位分割約束，即人體姿態(tài)估計(jì)雙分支網(wǎng)絡(luò)。

表6 消融實(shí)驗(yàn)(PCKh@0.5)Table 6 Ablation experiment (PCKh@0.5) /%

由表6可見，原始堆疊沙漏網(wǎng)絡(luò)在著裝圖像數(shù)據(jù)集上驗(yàn)證整體的關(guān)節(jié)點(diǎn)正確估計(jì)比例為89.4%，本文提出的人體姿態(tài)估計(jì)網(wǎng)絡(luò)模型PCKh整體得分為92.5%，通過結(jié)合網(wǎng)絡(luò)的每個(gè)部分將基礎(chǔ)得分提高了3.1%。具體地，由于多尺度損失可以較好地捕捉關(guān)節(jié)點(diǎn)局部特征，通過在每個(gè)沙漏模塊的反卷積層增加多尺度損失，PCKh得分提高了0.8%。通過引入姿態(tài)類別損失函數(shù)，多尺度聯(lián)合損失相較多尺度歐氏距離損失的PCKh得分提高了0.7%，歸因于對(duì)數(shù)據(jù)集中姿態(tài)的聚類能較好地表征各類著裝人體姿態(tài)。特征融合可以全局優(yōu)化人體關(guān)節(jié)點(diǎn)多尺度特征，為難以估計(jì)的關(guān)節(jié)點(diǎn)提供全局上下文信息，通過在最后一個(gè)沙漏模塊增加特征融合，在多尺度聯(lián)合損失監(jiān)督的基礎(chǔ)上PCKh得分提高了0.8%。最后，通過使用著裝部位信息約束人體關(guān)節(jié)點(diǎn)定位，其PCKh得分在姿態(tài)表示模型的基礎(chǔ)上提高了0.8%。值得注意的是，在增加著裝部位約束之后，人體的肘關(guān)節(jié)、腕關(guān)節(jié)、膝關(guān)節(jié)以及踝關(guān)節(jié)的PCKh得分都有了大幅提高，尤其是具有挑戰(zhàn)性的肘關(guān)節(jié)和膝關(guān)節(jié)在姿態(tài)表示模型基礎(chǔ)上分別提高了1.3%和2.3%，歸因于著裝部位的上下臂和腿部上下半?yún)^(qū)域的準(zhǔn)確分割?？傊?，本文方法能夠有效結(jié)合多尺度損失與特征融合以及聯(lián)合著裝部位信息，提升了著裝人體姿態(tài)估計(jì)結(jié)果的精度。

此外，為說明提出的雙分支網(wǎng)絡(luò)對(duì)不同服飾的通用性，以簡單的短袖、短褲穿著為基準(zhǔn)，通過對(duì)數(shù)據(jù)集中穿著為長褲、短褲、連衣裙、半身裙、西裝、短袖、背心、大衣、套頭衫、襯衫、夾克以及其他常見服飾的人體姿態(tài)進(jìn)行評(píng)估，結(jié)果如圖10所示?？梢钥闯觯捎秒p分支網(wǎng)絡(luò)模型的整體人體姿態(tài)估計(jì)精度約為92.4%，對(duì)穿著不同服飾的人體姿態(tài)估計(jì)具有較好的魯棒性結(jié)果。

圖10 不同服飾種類的人體姿態(tài)估計(jì)結(jié)果Fig.10 The human pose estimation results of different clothing types

5 結(jié) 論

針對(duì)由于服裝款式多樣、背景干擾和著裝姿態(tài)多變導(dǎo)致人體姿態(tài)估計(jì)精度較低問題，本文以著裝場景為例，提出一種著裝場景下雙分支網(wǎng)絡(luò)的人體姿態(tài)估計(jì)方法。該模型融合全局與局部特征，提高了關(guān)節(jié)點(diǎn)定位精度，引入姿態(tài)類別損失提高不同視角下著裝人體姿態(tài)估計(jì)的魯棒性，再結(jié)合著裝部位分割約束人體關(guān)節(jié)點(diǎn)定位，提高了人體姿態(tài)估計(jì)的精度。實(shí)驗(yàn)結(jié)果表明，本文方法在構(gòu)建的著裝人體圖像數(shù)據(jù)集上能夠提高人體姿態(tài)估計(jì)精度，關(guān)節(jié)點(diǎn)正確估計(jì)比例達(dá)到92.5%。

然而，本文方法還存在一些不足。一方面，針對(duì)連衣裙、大衣等對(duì)人體關(guān)節(jié)點(diǎn)遮擋嚴(yán)重的服飾，人體姿態(tài)估計(jì)精度較低，效果不理想；另一方面，當(dāng)著裝人體的關(guān)節(jié)點(diǎn)存在過多配飾遮擋時(shí)，需要提高算法的關(guān)節(jié)點(diǎn)定位精度。因此，本文的后續(xù)工作將著重圍繞這些問題展開，以進(jìn)一步提高著裝場景下人體姿態(tài)估計(jì)的精度。