买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学技术大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)申请的专利一种基于热图梯度约束的人体姿态估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115713784B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211443859.0，技术领域涉及：G06V40/10；该发明授权一种基于热图梯度约束的人体姿态估计方法是由王上飞;方林设计研发完成，并于2022-11-18向国家知识产权局提交的专利申请。

本一种基于热图梯度约束的人体姿态估计方法在说明书摘要公布了：本发明公开了一种引入热图梯度约束的人体姿态估计方法，其步骤包括：1、对人体姿态估计数据库基于自上而下的任务范式进行预处理；2、构建基于热图回归的人体姿态估计网络模型；3、使用引入热图梯度约束的损失函数训练构建的网络模型；4、利用训练好的模型对待测人体图像进行预测，实现人体姿态估计。本发明能让模型注重预测热图的形状约束，从而有效地提升困难样本上的预测准确度，最后实现精确的人体姿态估计。

本发明授权一种基于热图梯度约束的人体姿态估计方法在权利要求书中公布了：1.一种基于热图梯度约束的人体姿态估计方法，其特征是按如下步骤进行： 步骤1、对人体姿态估计数据库进行数据预处理： 所述人体姿态估计数据库中任意第A个样本是由一张原始图片IA、一个人体框bboxA和一组人体关键点μA组成；所述样本A的一组人体关键点坐标μA包含K个坐标，记为其中，表示第i个人体关键点的坐标，K表示人体关键点数； 使用样本A的人体框bboxA对原始图片IA进行裁剪，并缩放到指定尺寸后得到输入图片I′A，并将原始图片IA上的人体关键点坐标μA转换到输入图片I′A上的人体关键点坐标μ′A；由{I′A,μ′A}构成样本A预处理后的一组人体姿态数据，从而得到包含N个样本的预处理后的人体姿态数据库Dp； 步骤2、基于HRNet网络构建基于热图回归的人体姿态估计网络Fp： 所述HRNet网络包括：输入层、B个特征提取与融合阶段和输出层；其中，所述输入层包括：卷积层、批标准化层、ReLU激活函数；B个特征提取与融合阶段由B个特征提取模块和B个融合模块构成，每个特征提取模块由卷积层、批标准化层、ReLU激活函数和残差连接组成，每个融合模块由卷积层、批标准化层和ReLU激活函数组成；所述输出层包括：反卷积层、卷积层、批标准化层和ReLU激活函数； 使用高斯分布对所述HRNet网络中所有卷积层、反卷积层和批标准化层进行权值初始化； 步骤3、使用引入热图梯度约束的损失函数训练人体姿态估计网络Fp： 步骤3.1、根据所述人体姿态数据库Dp中样本A的人体姿态数据{I′A,μ′A}中的人体关键点坐标μ′A生成样本A的目标热图和目标热图梯度图其中，表示样本A的第i个人体关键点的目标热图，表示样本A的第i个人体关键点的目标热梯度图； 步骤3.1.1、利用式1生成样本A的第i个人体关键点的目标热图上坐标为x,y的像素值从而得到样本A的第i个人体关键点的目标热图最终得到样本A的K个人体关键点的目标热图 式1中，和表示预处理后的第i个人体关键点坐标μi′A的x轴值和y轴值，σ一个是固定的超参数，X和Y分别表示目标热图的尺寸； 步骤3.1.2、利用式2生成样本A的第i个人体关键点的目标热图梯度上坐标为x,y的像素值从而得到样本A的第i个人体关键点的目标热图梯度图最终得到样本A的K个人体关键点的目标热图梯度图 式2中，和表示第i个关键点在x轴和y轴方向的目标热图梯度图在坐标x,y的像素值；表示样本A的第i个人体关键点的目标热图上坐标为x+1,y的像素值，表示样本A的第i个人体关键点的目标热图上坐标为x,y+1的像素值； 步骤3.2、将所述人体姿态数据库Dp中样本A的人体姿态数据{I′A,μ′A}中的I′A输入到人体姿态估计网络Fp中，得到样本A的预测热图 表示样本A的第i个人体关键点的预测热图； 利用式3生成样本A的第i个人体关键点的预测热图梯度图上坐标为x,y的像素值从而得到样本A的第i个人体关键点的预测热图梯度图最终得到样本A的K个人体关键点的预测热图梯度图 式3中，和表示第i个关键点在x轴和y轴方向的预测热图梯度图在坐标x,y的像素值；表示样本A的第i个人体关键点的预测热图上坐标x+1,y的像素值，表示样本A的第i个关键点的预测热图上坐标x,y的像素值，表示样本A的第i个人体关键点的预测热图上坐标x,y+1的像素值； 步骤3.3、建立引入热图梯度约束的人体姿态估计损失函数Lp； 步骤3.3.1、利用式4建立预测热图和目标热图之间的均方误差损失函数LH： 式4中，N表示所述人体姿态数据库Dp中样本的数量； 步骤3.3.2、利用式5建立预测热图梯度图和目标热图梯度图之间的均方误差损失LG： 式5中，N表示所述人体姿态数据库Dp中样本的数量，K表示人体关键点数，X和Y分别表示热图的尺寸，X-1和Y分别表示x轴方向的热图梯度图的尺寸，X和Y-1分别表示y轴方向的热图梯度图的尺寸； 步骤3.3.3、利用式6建立引入热图梯度约束的人体姿态估计损失函数Lp： Lp＝αLH+βLG6 式6中，α和β表示对LH和LG进行权衡的超参数； 步骤3.4、使用Adam方法对人体姿态估计网络Fp进行训练，并计算所述损失函数Lp用于更新网络参数，当训练迭代次数达到设定的次数或损失函数达小于所设定的阈值时，训练停止，从而得到训练后的人体姿态估计网络 步骤4、训练好的人体姿态估计网络的预测； 步骤4.1、利用预训练的人体目标检测网络FD对待测图像Itest进行预测，得到预测的人体目标检测框其中，表示人体目标检测网络FD对待测图像Itest预测的第j个人体目标检测框，n表示人体目标检测网络FD对待测图像Itest预测的人体目标检测框数量； 步骤4.2、利用所述第j个人体目标检测框对待测图像Itest进行裁剪，并缩放到所述指定尺寸后第j个预处理后的输入图像从而得到输入图像集合 步骤4.3、所述第j个预处理后的输入图像输入到训练后的人体姿态估计网络中，得到输入图像的第i个人体关键点的预测热图从而得到输入图像的预测热图 从所述输入图像的第i个人体关键点的预测热图解码出输入图像的第i个人体关键点的预测坐标从而得到输入图像的K个人体关键点预测坐标记为 步骤4.4、对所述待测图像Itest的人体关键点预测坐标集合进行非极大值抑制，从而得到待测图像Itest的最终人体关键点预测坐标集合其中，表示输入图像的最终人体关键点预测坐标。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学技术大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)，其通讯地址为：230026 安徽省合肥市包河区金寨路96号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。