買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜廣東技術師范大學申請的專利一種2D圖像小目標人體姿態檢測方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117789252B 。

龍圖騰網通過國家知識產權局官網在2025-04-01發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410059662.X，技術領域涉及：G06V40/10；該發明授權一種2D圖像小目標人體姿態檢測方法及系統是由詹瑾;田偉立;關兆康;陳榮軍;王磊軍設計研發完成，并于2024-01-15向國家知識產權局提交的專利申請。

本一種2D圖像小目標人體姿態檢測方法及系統在說明書摘要公布了：本發明公開了一種2D圖像小目標人體姿態檢測方法及系統，其中，所述方法包括：獲取人體目標2D圖像；對人體目標2D圖像進行圖像預處理；對預處理后的人體目標2D圖像進行特征提取處理，獲得目標特征圖；將所述目標特征圖輸入人體姿態檢測模型中，基于所述人體姿態檢測模型進行小目標的人體姿態檢測處理，所述人體姿態檢測模型為將特征圖輸入至深度神經網絡模型中進行訓練得到的收斂模型，所述深度神經網絡模型包括HRNet主干模塊、動態擴張感受野模塊、高效融合語義信息模塊和關鍵點回歸模塊。本發明能夠更好的進行更深度的特征融合，提高對小目標檢測的準確率，更好地避免發生錯檢和漏檢的問題。

本發明授權一種2D圖像小目標人體姿態檢測方法及系統在權利要求書中公布了：1.一種2D圖像小目標人體姿態檢測方法，其特征在于，所述方法包括：獲取人體目標2D圖像；對所述人體目標2D圖像進行圖像預處理，獲得預處理后的人體目標2D圖像；對預處理后的人體目標2D圖像進行特征提取處理，獲得目標特征圖；將所述目標特征圖輸入人體姿態檢測模型中，基于所述人體姿態檢測模型進行小目標的人體姿態檢測處理，所述人體姿態檢測模型為將特征圖輸入至深度神經網絡模型中進行訓練得到的收斂模型，所述深度神經網絡模型包括HRNet主干模塊、動態擴張感受野模塊、高效融合語義信息模塊和關鍵點回歸模塊；其中，所述HRNet主干模塊用于對所述特征圖進行初步提取，獲得四個不同分辨率的特征圖，四個不同分辨率的特征圖分別為第一特征圖、第二特征圖、第三特征圖和第四特征圖，并將四個不同分辨率的特征圖輸入至所述動態擴張感受野模塊，所述動態擴張感受野模塊用于對四個不同分辨率的特征圖進行進一步特征提取，獲得進一步特征提取后的第一特征圖、第二特征圖、第三特征圖和第四特征圖，所述高效融合語義信息模塊用于對進一步特征提取后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行高效特征融合處理，獲得增強特征圖，所述關鍵點回歸模塊用于通過所述增強特征圖進行關鍵點回歸處理，獲得人體姿態的關鍵點；所述動態擴張感受野模塊包括級聯空洞卷積組件和門控機制模塊；所述級聯空洞卷積組件包括一層空洞卷積層和兩層卷積層，所述空洞卷積層為膨脹率為[1，2，3]，卷積核為3*3的空洞卷積層，兩層卷積層的卷積核為3*3，所述門控機制模塊包括全局平均池化層、兩層連續的全連接層和殘差結構模塊；所述對四個不同分辨率的特征圖進行進一步特征提取，獲得進一步特征提取后的第一特征圖、第二特征圖、第三特征圖和第四特征圖，包括：基于級聯空洞卷積組件中的空洞卷積層對第一特征圖、第二特征圖、第三特征圖和第四特征圖進行局部特征聚合處理，獲得局部特征聚合處理后的第一特征圖、第二特征圖、第三特征圖和第四特征圖；基于級聯空洞卷積組件中的第一卷積層利用BatchNorm函數和ReLU函數對局部特征聚合處理后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行特征融合，獲得特征融合后的第一特征圖、第二特征圖、第三特征圖和第四特征圖；基于級聯空洞卷積組件中的第二卷積層對特征融合后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行特征再融合，獲得特征再融合后的第一特征圖、第二特征圖、第三特征圖和第四特征圖；基于門控機制模塊的全局平均池化層對特征再融合后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行全局信息獲取，獲得對應的全局信息；基于門控機制模塊的全連接層對特征再融合后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行特征提取，并基于sigmoid函數利用特征提取結果和全局信息計算注意力權重；基于殘差結構模塊利用所述注意力權重進行校準；所述對進一步特征提取后的第一特征圖、第二特征圖、第三特征圖和第四特征圖進行高效特征融合，獲得增強特征圖，包括：對進一步特征提取后的第一特征圖利用特征增強結構進行變換處理，獲得變換處理后的第一特征圖；基于雙線性插值方法對進一步特征提取后的第二特征圖、第三特征圖和第四特征圖進行上采樣處理，獲得上采樣處理后的第二特征圖、第三特征圖和第四特征圖；基于Concat特征融合方法對變換處理后的第一特征圖及上采樣處理后的第二特征圖、第三特征圖和第四特征圖進行特征圖拼接處理，獲得拼接特征圖；對所述拼接特征圖進行3*3卷積處理，獲得增強特征圖；所述基于Concat特征融合方法對變換處理后的第一特征圖及上采樣處理后的第二特征圖、第三特征圖和第四特征圖進行特征圖拼接處理，獲得拼接特征圖后，還包括：基于高效通道注意力機制對變換處理后的第一特征圖及上采樣處理后的第二特征圖、第三特征圖和第四特征圖賦予不同特征通道的權重；所述關鍵點回歸模塊采用自適應卷積神經網絡。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人廣東技術師范大學，其通訊地址為：510665 廣東省廣州市天河區中山大道西293號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。