计算机应用

作者：强保华, 翟艺杰, 陈金龙, 谢武, 郑虹, 王学文, 张世豪

单位：1.广西可信软件重点实验室(桂林电子科技大学)，广西 桂林 541004；2.广西图像图形与智能处理重点实验室(桂林电子科技大学)，广西 桂林 541004

关键词：人体骨骼关键点检测,人体姿态估计,深度学习,卷积神经网络,轻量级,CPMs,SqueezeNet

基金：国家自然科学基金资助项目(61762025);广西重点研究发展计划项目(AB17195053,AB18126063);广西自然科学基金资助项目(2017GXNSFAA198226);桂林科技发展计划项目(20180107-4)。

针对目前的人体骨骼关键点检测模型参数多、训练时间长和检测速度慢的问题，提出了一种将人体骨骼关键点检测模型CPMs与小型卷积神经网络模型SqueezeNet相结合的检测方法。首先，采用4个Stage的CPMs(CPMs-Stage4)对人物图像进行关键点检测；然后，在CPMs-Stage4中引入SqueezeNet的Fire Module网络结构，利用Fire Module结构大大压缩模型参数，得到一种新的轻量级人体骨骼关键点检测模型SqueezeNet15-CPMs-Stage4。在扩展的LSP数据集上的验证结果显示，与CPMs相比，SqueezeNet15-CPMs-Stage4模型在训练时间上减少86.68%，在单张图像检测时间上减少44.27%，准确率达到90.4%；与改进的VGG-16、DeepCut和DeeperCut 三种参照模型相比，SqueezeNet15-CPMs-Stage4模型在训练时间、检测速度和准确率方面均是最优的。实验结果表明，所提模型不仅检测准确率高，而且训练时间短、检测速度快，能够有效降低人体骨骼关键点检测模型的训练成本。

来源：2020年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第6期