专利交易市场

一种面向人体骨架的羽毛球运动预测方法和装置，其方法包括：获取羽毛球运动中人体骨架位置序列数据；基于骨架位置序列数据构建自适应运动关联图邻接矩阵；对骨架位置序列数据进行差分运算，获取骨架速度与加速度序列数据；将三组骨架序列数据分别送入双流图时空卷积神经网络中以获取深层次的运动时空特征，并将三个分支的高维运动特征进行融合；将融合后的运动特征信息与骨架位置序列的最后一帧数据输入到运动预测网络中，得到预测的骨架位置序列。本发明针对羽毛球运动状态下关节点间的运动关联性来获取运动模式的深层语义信息，挖掘数据的高阶运动学信息并合理充分地提取特征，还原了符合客观事实的递进的预测过程，提高了运动预测的精度。

本发明公开了一种基于关节点提取的人体运动轨迹分析方法，所述方法包括如下步骤：将待测人体视频中放入人体骨架识别模型中得到关节点位置序列；根据关节点和人体先验对所述关节点位置序列进行分割得到大尺度关节图像；将所述大尺度关节图像放入关节中心预测网络中得到精细关节点位置；将所述精细关节点位置带回到待测人体视频中得到精细关节点在待测人体视频中的位置；根据精细关节点在待测人体视频中的位置分析得到关节点在视频中的运动轨迹。本发明步骤简单，进一步提高了关节点运动轨迹的预测精度。

本发明公开了一种基于Transformer时空特征增强型的人体姿态估计方法，该方法设计的网络CSIT采用CNN+Transformer架构，考虑到视觉信息由纹理特征和空间特征组成，因此本发明对CNN提取出的特征图从通道和空间两个维度展开生成Channel Embeddings和Spatial Embeddings，同时考虑到网络还要学习关节点之间的依赖性，于是再加上Keypoints Embeddings，将三个序列拼接在一起作为Transformer的输入，在网络的结尾本发明同时采用了性能更为先进且更加符合Transformer特点的一维向量表示法来预测关键点，从而更加提升了网络的预测性能。

本发明公开了一种小尺度感知增强的人体姿态估计方法，该方法汲取了以往模型的不足，针对于小尺度目标的表现做了专门的优化，选用了更为精确的Top‑down结构，抛弃了热图表示法，改用基于一维向量表示法的SimCC来更加精准的定位小尺度目标的关键点，同时在SimCC‑baseline的基础上提出了TAA模块，通过消融实验也验证了TAA模块的有效性，最终在整体AP上取得了不错的结果。小尺度目标的表现很大程度限制着模型整体精度的提高，以往的网络大多忽视了这一点，因此本发明SSA‑Net的提出，既有实际应用价值，也有科学研究价值。

本发明涉及人体姿态估计技术领域，解决了传统方法未在多个相同空间中执行相同分辨率的空间特征提取的技术问题，尤其涉及一种面向人体姿态估计的平行空间内外交互系统及方法，该系统包括用于获取输入图像，并对输入图像进行快速下采样得到下采样图像特征的下采样模块，通道调整模块用于扩充下采样图像特征的通道大小得到通道扩充特征，并对通道扩充特征的通道进行分离得到四个空间大小一致且通道相邻的平行空间特征。本发明通过在平行空间内和平行空间之间执行空间交互，探索平行空间交互对于人体姿态估计的影响，无论是在内部还是在外部都完成全局特征交互，对于人体姿态估计关键点之间的关系捕捉有很大益处，并保证了人体姿态估计的高效性。

本发明涉及人体姿态估计技术领域，解决了传统方法难以在单尺度特征上提升关键点高效性的技术问题，尤其涉及一种多级高效人体姿态估计系统及方法，该系统包括：依次对输入图像进行特征提取，并分别生成低级特征、中级特征以及高级特征的局部特征提取模块、空间特征提取模块和全局特征提取模块。该方法包括：依次获得输入图像的低级特征、中级特征以及高级特征，并将高级特征的空间尺度转换为二维空间特征，并利用反卷积恢复二维空间特征的尺度大小得到输入图像中与高级特征对应的关键点位置。本发明克服了传统方法难以在单尺度特征上提升关键点高效性的缺陷，能有效提升关键点的准确率，并且保持较好的运行速度。

本发明属于人体姿态估计领域，具体涉及一种基于关键点相关性的人体姿态估计方法；该方法包括：实时获取图像数据，对获取的图像数据进行预处理；将预处理好的图像数据输入到训练好的基于关键点相关性的人体姿态估计模型中，得到人体姿态估计结果；本发明通过构建基于强相关性的关键点分组，使用关系网络将强相关性关键点的关系信息融合，并构建相关性损失和相关系混淆惩罚损失，有效地增强了关键点之间的特征融合，改善了关键点之间的混淆问题，进一步提高了预测精度，估计更准确，具有良好的经济效益。