馬子越，彭瑞陽，孫曉晗，王鈺澤，李欣悅，孔祥勇

（上海理工大學健康科學與工程學院，上海 200093）

0 引言

20 世紀以來，人體姿態(tài)估計作為計算機視覺技術(shù)中一個具有重要研究意義的領域，已逐漸融入人們的生活當中。例如，無人駕駛環(huán)境中對行人的姿態(tài)估計、電影和視頻制作中動作特效的設置等。此外，該技術(shù)在醫(yī)療健康領域發(fā)展前景和應用空間更為廣闊。

人體姿態(tài)估計是從處理后的圖像或視頻中定位與提取人體關(guān)鍵點，進而完成對人體關(guān)節(jié)和肢干的重構(gòu)。并且在環(huán)境改變、人數(shù)增加、對象互動、位置交叉、空間遮擋、大小不一等多種不確定的條件下均具有較高的適應性。

2017 年，Zhe 等［1］提出多人實時關(guān)鍵點的OpenPose 算法用于估計人體動作、面部表情、手指運動等，作為首個基于深度學習的姿態(tài)估計應用，推動了人體姿態(tài)估計發(fā)展。

1 人體姿態(tài)估計技術(shù)發(fā)展

1.1 技術(shù)分類

根據(jù)維度深度信息，可將主流姿態(tài)估計算法分為2D姿態(tài)估計和3D 姿態(tài)估計。其中，3D 姿態(tài)估計對攝像頭、傳感器等設備要求較高。該方法常通過微軟Kinect 攝像頭捕捉人體25 個骨骼關(guān)鍵點，以獲得關(guān)鍵點的空間三維坐標。然而，2D 姿態(tài)估計相較于3D 姿態(tài)估計而言，前者的發(fā)展更為迅速，目前已大量應用于多種綜合場景。

根據(jù)圖像中檢測的目標人數(shù)又可將2D 姿態(tài)估計分為單目標人體姿態(tài)估計和多目標人體姿態(tài)估計。相較于單目標人體姿態(tài)估計，多目標人體姿態(tài)估計需要增加相應的算法以解決被檢測目標對象空間位置不確定、實際數(shù)量未知的問題。目前通常會選擇自頂向下（Top-down）或自底向上（Bottom-up）的方法。其中，自頂向下方法“先人后點”，精度較高；自底向上方法“先點后人”，速度較快。本文選取了部分使用經(jīng)典人體姿態(tài)估計算法的文章，并按照發(fā)表時間進行了整理分類，具體數(shù)據(jù)如表1所示。

Table 1 Some classical algorithms for human pose estimation表1 人體姿態(tài)估計的經(jīng)典算法部分列舉

1.2 經(jīng)典算法

經(jīng)典算法主要包括自底向上或自頂向下、單目標或多目標、單階段或多階段檢測算法。

1.2.1 自底向上或自頂向下方法

該方法目的在于構(gòu)建最優(yōu)關(guān)鍵點檢測路徑。Chen等［2］提出的級聯(lián)金字塔網(wǎng)絡結(jié)構(gòu)（Cascaded Pyramid Network，CPN）和Xiao 等［3］提出的Simple Baselines 算法均采用自頂而下的檢測方法進行多人關(guān)鍵點估計。其中，CPN 網(wǎng)絡對每一個區(qū)域框中的人體關(guān)鍵點進行回歸處理，輸出的關(guān)鍵點準確率較高；Simple Baselines 則較為簡單地構(gòu)造一個實現(xiàn)2D 到3D 人體關(guān)鍵點的回歸過程神經(jīng)網(wǎng)絡。

1.2.2 單目標檢測算法

該類方法以Wei 等［4］提出的卷積姿態(tài)機（Convolutional Pose Machines，CPM）和Newell 等［5］提出的堆疊沙漏網(wǎng)絡結(jié)構(gòu)（Stacked Hourglass Networks，SHN）為基礎。其中，CPM 算法基于順序化全卷積網(wǎng)絡結(jié)構(gòu)，將深度學習應用于表達圖片的特征和空間信息，并在每一個階段都添加了中間監(jiān)督訓練環(huán)節(jié)，在確保處理精度的同時又處理了各關(guān)鍵點之間的遠距離關(guān)系；SHN 算法則表達了多尺度的空間信息，先對圖像下采樣，再上采樣，然后加入中繼監(jiān)督訓練預測損失，實現(xiàn)了對圖片所有尺度下的信息采集和各種空間關(guān)系的識別。隨后，Newell 等［6］在堆疊沙漏基礎上提出了聯(lián)合嵌入算法（Associative Embedding），生成每個關(guān)節(jié)點的檢測熱圖和聯(lián)合嵌入預測標簽，該算法解決了多階段人體姿態(tài)估計不連續(xù)問題。

1.2.3 多目標檢測算法

Insafutdinov 等［7］提出ArtTrack 算法，通過簡化關(guān)節(jié)模型圖以加快識別過程，利用前饋卷積網(wǎng)絡承擔大部分計算量，在時間和空間雙維度上實現(xiàn)了多人姿態(tài)估計。Fang等［8］提出區(qū)域多人姿態(tài)檢測（Regional Multi-Person Pose Estimation，RMPE）較好地解決了區(qū)域框不精確的問題。Kocabas 等［9］提出基于姿態(tài)殘差網(wǎng)絡的多人姿態(tài)估計（Multi-Person Pose Estimation using Pose Residual Network，MultiPoseNet）算法處理姿態(tài)識別中的人檢測、關(guān)鍵點檢測、人分割和姿態(tài)估計4 大問題，首先通過兩個相互獨立的網(wǎng)絡分別完成圖片中人體和人體關(guān)鍵點檢測，然后利用殘差網(wǎng)絡進行聚類分析，以保證較高的處理精度和性能。Andriluka 等［10］提出多人姿態(tài)估計和跟蹤（Multi-Person Pose Estimation and Tracking，PoseTrack）算法，該算法受語義分割的啟發(fā)改進了OpenPose 模型的一些缺陷，支持在單個公式中聯(lián)合建模，但估計踝關(guān)節(jié)和腕關(guān)節(jié)的性能有所降低。He等［11］提出Mask R-CNN 算法，增加了一個分支為各目標生成預測分割掩碼便于后期進行實例分割、姿態(tài)估計，但該算法運算速度較慢。Papandreou 等［12］提出遠程方法調(diào)用（G-Remote Method Invocation，G-RMI）算法，該算法通過引入熱圖—偏移聚合方法提取人體關(guān)鍵點。

1.2.4 多階段檢測算法

Li 等［13］提出多階段人體姿態(tài)估計算法（Multi-stage Pose Estimation Network，MSPN）和Qi 等［14］提出的脈沖神經(jīng)網(wǎng)絡（Spiking Neural Network，SNN）均為多階段網(wǎng)絡。其中，通過MSPN 優(yōu)化單階段結(jié)構(gòu)，將相鄰階段的特征相互聚合，采用多分支監(jiān)督管理方式優(yōu)化結(jié)果；SNN 算法相較于卷積神經(jīng)網(wǎng)絡降低了算法的能量消耗，但容易發(fā)生過激活或欠激活現(xiàn)象，導致準確度下降。

為了解決上述問題，Pishchulin 等［15］提出了線性規(guī)劃建模的DeepCut 算法，但該算法會導致計算量增加。Insafutdinov 等［16］對這一方法進行改進后提出了DeeperCut算法，通過壓縮待選節(jié)點數(shù)量，基于各節(jié)點間的距離排查重要節(jié)點是否存在重復，以減少算法的時間損耗。Sun等［17］提出高分辨率網(wǎng)絡結(jié)構(gòu)（High-Resoultion Net，HRNet），通過跨子網(wǎng)絡多尺度融合并聯(lián)網(wǎng)絡，使算法能夠持久保持高分辨率特征工作，提升了姿態(tài)識別的精確度。Cheng 等［18］提出Higher HRNet 算法解決了多人姿態(tài)估計人物尺度變化的影響，相較于HRNet 分辨率更高，通過結(jié)合多分辨率監(jiān)督和多分辨率聚合，能夠精準定位小型人體的關(guān)鍵點。Kreiss 等［19］使用部分強度域（Part Intensity Field，PIF）和部分親和域（Part Association Field，PAF）預測關(guān)鍵點的位置及關(guān)系，使算法在低分辨率、多人數(shù)、場景擁擠混亂等情況下仍具有良好的檢測效果。Cai等［20］提出殘差階梯網(wǎng)絡（Residual Steps Network，RSN）將相同空間大小的內(nèi)部特征進行聚合，使每一個殘差階梯網(wǎng)絡的基本單元（Residual Steps Block，RSB）利用內(nèi)部特征間信息進行準確定位。Zhang 等［21］提出分布感知的關(guān)鍵點坐標表示法（Distribution-Aware coordinate Representation of Keypoints，DARK），通過編碼關(guān)鍵點坐標，提升算法的性能。Huang等［22］提出無偏數(shù)據(jù)處理（Unbiased Data Processing，UDP）方法，采用單位長度代替像素大小度量圖像，在編碼、解碼過程中解決了統(tǒng)計誤差，進一步提升了算法的準確度。

在實際場景中，Kocabas 等［23］提出了基于背景更新的運動目標檢測（Visual Background Extractor，ViBe）算法，該算法在保證像素模型時間和空間連續(xù)性的情況下，能夠?qū)σ曨l中的人體進行姿態(tài)估計。Zhang 等［24］提出人體分割算法（Pose2Seg），利用像素分割技術(shù)將人體姿態(tài)估計應用于實際中。Zhang 等［25］提出4D 關(guān)聯(lián)圖模型（4D Association Graph），利用圖網(wǎng)絡對人體姿態(tài)進行實時捕捉，構(gòu)建一種可同時處理時間、空間等多維度的4D 關(guān)聯(lián)圖以優(yōu)化實時捕捉的關(guān)節(jié)點。

2 OpenPose基本模型

OpenPose 在多人圖像中主要使用了自底向上的方法對人體姿態(tài)進行估計，該方法不會隨著檢測人數(shù)增加而影響檢測速度，部分親和域技術(shù)可形成局部關(guān)聯(lián)場，確定某些姿勢是否隸屬于同一個人，從而建立人體各關(guān)鍵點之間的聯(lián)系，以提高檢測精度。

圖1 為OpenPose 實現(xiàn)人體姿態(tài)估計的流程。其中，圖（a）為輸入，圖（b）為身體部分位置的二維置信度映射圖集S，圖（c）為部分親和的二維向量場集L，圖（d）為人體關(guān)鍵點。

Fig.1 Openpose human posture estimation process圖1 OpenPose人體姿態(tài)估計流程

Fig.2 Key point of human skeleton圖2 人體骨骼關(guān)鍵點

如圖2 所示，OpenPose 提供了18 個人體關(guān)鍵點，設置了兩分支、多階段結(jié)構(gòu)的CNN 框架。其中，第一分支預測置信圖，輸出圖像特征；第二分支預測部分親和域，輸出空間特征。同時，采用多級級聯(lián)、連續(xù)重復及在每個階段設置中間監(jiān)管損失函數(shù)的方式優(yōu)化預測結(jié)果。

3 OpenPose優(yōu)化模型

3.1 優(yōu)化底層特征提取方式

傳統(tǒng)OpenPose 模型通?；赩GG-19 網(wǎng)絡，使用標準卷積提取底層特征。然而，深度可分離卷積（Depthwise Separable Convolutions，DSC）擁有更輕量級的參數(shù)，可提升運行速度。Sandler 等［26］提出基于深度可分離卷積的計算機視覺神經(jīng)網(wǎng)絡（MobileNet）模型，在小幅度降低精度的情況下，大幅度減少了模型計算量。文獻［27-31］將深度可分離卷積結(jié)構(gòu)引入OpenPose 模型中，對底層特征提取方式進行優(yōu)化，通過減少單個卷積層的計算量、模型參數(shù)、卷積層等方法，在不損失精度的條件下，提升了模型運行速度，解決了由于運算量過大，而無法在移動設備或嵌入式設備上運行的問題。

深度可分離卷積將原OpenPose 中的一個標準卷積層因式分解為一個Depthwise 卷積和一個Pointwise 卷積。其中，Depthwise 卷積核與輸入的每個通道進行卷積；Pointwise 與上層輸出的不同通道特征圖進行線性組合，從而將不同通道位于同一位置的特征信息進行高效利用和組合。圖3（a）為標準卷積層的標準卷積核結(jié)構(gòu)，卷積核K的長度和寬度均為DK，輸入通道數(shù)為M，輸出通道數(shù)為N。

Fig.3 Convolution kernel structure圖3 卷積核結(jié)構(gòu)

此外，采用殘差網(wǎng)絡算法提取底層特征代替?zhèn)鹘y(tǒng)模型的VGG-19 網(wǎng)絡也可提升OpenPose 模型的檢測精度和訓練速度。朱洪堃等［32］將底層特征提取網(wǎng)絡更換為Res-18網(wǎng)絡，通過添加二階項融合的殘差網(wǎng)絡提取底層特征，對比性能后發(fā)現(xiàn)改進后的模型在精度和速度上均有所提升。馮文宇等［33］使用了自適應軟閾值的殘差網(wǎng)絡，顯著增加了模型的檢測精度且未明顯影響檢測速度。

3.2 優(yōu)化數(shù)據(jù)分類方法

在提取人體關(guān)節(jié)點數(shù)據(jù)后，還需進行分類處理才可用于判斷行為特征。目前，基于傳統(tǒng)機器學習分類器算法的應用較為廣泛，主要包括支持向量機（Support Vector Machine，SVM）、深度神經(jīng)網(wǎng)絡（Deep Neural Networks，DNN）、極限學習機（Extreme Learning Machine，ELM）、決策樹（Decision Tree，DT）、K 近鄰（K-NEearest Neighbors，KNN）等。本文主要介紹了SVM 和ELM 兩種分類算法。

3.2.1 SVM

SVM 是一種二分類模型，對于小樣本集具有較好的訓練效果，并可高效處理OpenPose 提取的高維數(shù)據(jù)集。為了將它適應于多分類任務，蘇超等［34］采用間接法構(gòu)建基于決策樹的SVM 多類分類器（ST-SVM）優(yōu)化分類方法，將所有信息循環(huán)二分直到每個結(jié)點歸屬到唯一類別。袁鵬泰等［35］為了提高SVM 分類器準確度，將改進Yolo 算法先行引入OpenPose 算法中，避免了在無人處識別關(guān)節(jié)點信息。李夢荷等［36］為實現(xiàn)多人行為識別，將特征矩陣輸入SVM分類器中進行分類，以提高識別準確度。蔡文郁等［37］通過原始視頻圖像中的關(guān)鍵點數(shù)據(jù)提取跌倒特征向量，經(jīng)過SVM 初級分類器分類后，再利用CNN 分類器進行二次分類，以降低模型計算量。

3.2.2 ELM

如圖4 所示，相較于傳統(tǒng)神經(jīng)網(wǎng)絡模型，ELM 網(wǎng)絡隨機設定輸入層與隱含層的鏈接權(quán)值W 和隱含層神經(jīng)元的偏置O，隱含層節(jié)點個數(shù)N 設置完成后即可固定不變。在執(zhí)行過程中，無需人工調(diào)整算法參數(shù)，避免了反復迭代造成的時間損耗。張青等［38］通過對150 個圖像的100 次迭代測試發(fā)現(xiàn)，ELM 網(wǎng)絡的測試精度和運行速度都顯著優(yōu)于BP 神經(jīng)網(wǎng)絡［39］。

Fig.4 ELM network computing principle圖4 ELM網(wǎng)絡計算原理

4 模型存在的不足

目前，人體姿態(tài)估計技術(shù)仍在不斷發(fā)展，基于Open-Pose 模型的人體姿態(tài)估計應用也在不斷更新，如表2所示。盡管對底層特征提取方式、數(shù)據(jù)分類方法等多方面均有所優(yōu)化，但在實際應用中，仍暴露出許多問題：

（1）檢測精度會因人體姿態(tài)的不同而變化。

（2）精度和速度在一些模型中無法同時得到提升。通常，為了提高模型運行速度會減少模型參數(shù)，造成模型精度下降。

（3）各優(yōu)化模型相較于傳統(tǒng)OpenPose 模型而言，均基于實際應用背景下的特定數(shù)據(jù)集，并不具有通用性，應用場景相對單一。

Table 2 Some algorithms for human pose estimation optimization表2 人體姿態(tài)估計優(yōu)化的部分算法

5 結(jié)語

人體姿態(tài)估計技術(shù)是計算機視覺技術(shù)中具有重要研究意義的領域之一，尤其在醫(yī)療健康領域中具有更加廣闊的發(fā)展前景。人體姿態(tài)估計有關(guān)的研究報告大部分側(cè)重于對基本模型、方法的歸納和介紹［40-41］，研究人員可初步了解人體姿態(tài)估計的部分經(jīng)典算法，但很少有結(jié)合實際應用背景對算法進行分類的研究。為此，本文在對人體姿態(tài)估計算法進行分類列舉、詳細介紹后，系統(tǒng)地介紹了由OpenPose 算法演變而來的改進模型。首先，對25 種算法進行細致梳理和介紹。然后，對OpenPose 算法進行了具體闡述，并基于不同優(yōu)化對象，選取了7 種應用于實際的OpenPose 優(yōu)化模型進行深度分析。最后，總結(jié)基于Open-Pose 的改進算法的不足之處，為未來人體姿態(tài)估計技術(shù)的研究提供思路。