【论文阅读】基于光流的快速人体姿态估计

文献： 周文俊,郑新波,卿粼波,熊文诗,吴晓红.基于光流的快速人体姿态估计.计算机系统应用,2018,27(12):109–115. http://www.c-s-a.org.cn/1003-3254/6665.html

来源：知网

目录

一、研究目的及意义

二、研究方法

1、方法概述

2、视频帧姿态相关性分析

3、基于光流的快速人体姿态估计框架

4、算法改进

（1）自适应关键帧检测算法

（2）关键点局部融合优化

三、实验

1、实验设置

2、实验结果

（1）定性比较

（2）定量比较

四、总结

---

一、研究目的及意义

针对视频对象，提出一种基于光流的快速人体姿态估计算法，利用视频帧之间的时间相关性（相邻帧之间的人体姿态表现出的运动连续性），实现人体姿态估计的加速，解决现有人体姿态估计算法计算复杂度高的问题，提升检测速度，且在一定程度上提升了对视频序列的检测性能（尤其是背景复杂、部件遮挡等问题）

二、研究方法

1、方法概述

在一个视频帧组内，首先根据人体姿态估计算法对关键帧进行人体姿态检测，而对于其他的非关键帧，计算它与前向关键帧之间的光流场信息 (时间相关性)，然后根据光流场将关键帧的检测结果传播到非关键帧上，避免了在每一帧上运行人体姿态估计算法。

2、视频帧姿态相关性分析

视频帧间相关性及人体姿态相关性效果图：

Frame——原始视频帧；

Pose——原始视频帧对应的真实姿态信息；

Flow——第 i 帧（i = 2,...,5）图像与第一帧图像之间的真实光流场，光流是在图像灰度模式下，图像间的亚像素级运动矢量，广泛用于估计连续帧之间的像素点运动；

Dsp——第 i 帧（i = 2,...,5）图像中人体关键点与第一帧图像人体关键点之间的运动矢量场，也就是视频帧之间对应相似块的运动信息。

需要注意，随着时间的推移, 当前帧 Framei（i = 2, …, 5)）与 Frame1 的人体姿态信息变化越来越大, 相关性也越来越低.

3、基于光流的快速人体姿态估计框架

方法

首先将视频帧分割成多个视频帧组确定关键帧（每个视频帧组的第一帧为该视频帧组的关键帧，其余视频帧为非关键帧）;

然后采用PAFs算法确定关键帧人体姿态信息；

最后利用轻量级光流算法Flownet2-c计算关键帧与非关键帧之间的光流信息，将关键帧的检测结果与光流场融合后，传播到非关键帧。

相关定义