(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210132643.6 (22)申请日 2022.02.14 (71)申请人 南方科技大 学 地址 518055 广东省深圳市南 山区西丽学 苑大道1088号 (72)发明人 郝祁　兰功金　吴钰　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 洪铭福 (51)Int.Cl. G06V 40/10(2022.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种多人体目标识别方法、 系统、 设备及介 质 (57)摘要 本发明公开了一种多人体目标识别方法、 系 统、 设备及介质， 该方法包括： 获取待识别图像， 并根据待识别图像通过下采样处理得到第一采 样特征图； 将第一采样特征图输入改进的HRNet 神经网络模型， 以得到目标特征图； 其中， 改进的 HRNet神经网络模型至少包括三个阶段， 每一个 阶段包括四个对称耦合逐通道卷积模块， 每一个 对称耦合逐通道卷积模块包括两个1 ×1标准卷 积核和两个3 ×3逐通道卷积核； 根据目标特征图 进行反卷积处理， 以得到目标识别图像。 本发明 基于改进的HRNet神经网络模型， 通过提出新的 对称耦合逐通道卷积模块对图像进行处理， 并且 设置了三个阶段以减少计算量。 能够在保持图像 识别精度的同时， 有效地减少了姿态识别神经网 络模型的计算 量。 权利要求书3页 说明书11页 附图3页 CN 114596580 A 2022.06.07 CN 114596580 A 1.一种多人体目标识别方法， 其特 征在于， 包括： 获取待识别图像， 并根据所述待识别图像通过 下采样处 理得到第一采样特 征图； 将所述第一采样特征图输入改进 的HRNet神经网络模型， 以得到目标特征图； 其中， 所 述改进的HRNet神经网络模型至少包括三个阶段， 每一个阶段包括四个对称耦合逐通道卷 积模块， 四个所述对称耦合逐通道卷积模块依 次连接， 每一个所述对称耦合逐通道卷积模 块包括两个1 ×1标准卷积核和两个3 ×3逐通道卷积核， 其中， 第一个1 ×1标准卷积核、 第一 个3×3逐通道卷积核、 第二个3 ×3逐通道卷积核和第二个1 ×1标准卷积核依次连接； 其中， 根据每一个所述对称耦合逐通道卷积模块对输入的特 征图进行 卷积处理， 包括： 将输入的特征图输入所述第一个1 ×1标准卷积核， 以得到第一通道特征图， 其中， 所述 输入的特 征图是指输入进每一个所述对称耦合逐通道卷积模块的特 征图； 将所述第 一通道特征图输入所述第 一个3×3逐通道卷积核， 将得到的输出特征图输入 所述第二个3 ×3逐通道卷积核， 以得到第二 通道特征图； 根据所述第 一通道特征图和所述第 二通道特征图进行特征融合处理， 以得到第 三通道 特征图； 将所述第三 通道特征图输入所述第二个1 ×1标准卷积核， 以得到第四通道特 征图； 将所述第四通道特征图与 所述输入的特征图进行特征融合处理， 以得到每一个所述对 称耦合逐通道卷积模块的输出 特征图； 根据所述目标 特征图进行反卷积处 理， 以得到目标识别图像。 2.根据权利要求1所述的一种 多人体目标识别方法， 其特征在于， 所述将所述第 一采样 特征图输入改进的HRNet神经网络模型， 以得到目标 特征图， 包括： 将所述第一采样特征图依次通过每一个阶段对应的四个所述对称耦合逐通道卷积模 块， 并根据每一个所述对称耦合逐通道卷积模块对输入的特征图进行卷积处理， 以得到目 标特征图。 3.根据权利要求2所述的一种 多人体目标识别方法， 其特征在于， 所述将所述第 一采样 特征图依次通过每一个阶段对应的四个所述对称耦合逐通道卷积模块， 并根据每一个所述 对称耦合逐通道卷积模块对输入的特 征图进行 卷积处理， 以得到目标 特征图， 包括： 在第一个阶段， 将所述第 一采样特征图依次经过第 一个阶段对应的四个所述对称耦合 逐通道卷积模块， 根据每一个所述对称耦合逐通道卷积模块对所述第一采样特征图进 行卷 积处理， 以得到第一卷积特 征图； 在第二个阶段， 将所述第 一卷积特征图依次经过第 二个阶段对应的四个所述对称耦合 逐通道卷积模块， 并根据每一个所述对称耦合逐通道卷积模块对所述第一卷积特征图进 行 卷积处理， 以得到第一中间特征图， 根据所述第一卷积特征图进 行下采样处理， 以得到第二 中间特征图， 根据所述第一中间特征图和所述第二中间特征图进行特征融合处理， 以得到 第二卷积特 征图； 在第三个阶段， 将所述第 二卷积特征图依次经过第 三个阶段对应的四个所述对称耦合 逐通道卷积模块， 并根据每一个所述对称耦合逐通道卷积模块对所述第二卷积特征图进 行 卷积处理， 以得到第三中间特征图， 根据所述第二中间特征图进 行下采样处理， 以得到第四 中间特征图， 根据所述第二中间特征图、 所述第三中间特征图和所述第四中间特征图进行 特征融合处 理， 以得到目标 特征图。权　利　要　求　书 1/3 页 2 CN 114596580 A 24.根据权利要求2所述的一种 多人体目标识别方法， 其特征在于， 所述根据每一个所述 对称耦合逐通道卷积模块对输入的特 征图进行 卷积处理， 还包括： 依次根据所述第一个1 ×1标准卷积核、 所述第一个3 ×3逐通道卷积核、 所述第二个3 × 3逐通道卷积核、 以及所述第二个1 ×1标准卷积核对输入的特征图进 行卷积处理， 以得到每 一个所述对称耦合逐通道的输出 特征图。 5.根据权利要求2所述的一种 多人体目标识别方法， 其特征在于， 所述根据每一个所述 对称耦合逐通道卷积模块对输入的特 征图进行 卷积处理， 还包括： 依次根据所述第一个1 ×1标准卷积核、 所述第一个3 ×3逐通道卷积核、 所述第二个3 × 3逐通道卷积核、 以及所述第二个1 ×1标准卷积核对输入的特征图进 行卷积处理， 得到第五 通道特征图； 将所述第五通道特征图与 所述输入的特征图进行特征融合处理， 以得到每一个所述对 称耦合逐通道卷积模块的输出 特征图。 6.根据权利要求3所述的一种多人体目标识别方法， 其特征在于， 在第三个阶段， 所述 根据所述第二中间特征图、 所述第三中间特征图和所述第四中间特征图进行特征融合处 理， 以得到目标 特征图， 包括： 根据所述第 二中间特征图进行卷积处理和上采样处理， 以得到第 一更新的第 二中间特 征图； 根据所述第四中间特征图进行卷积处理和上采样处理， 以得到更新的第四中间特征 图； 根据所述更新的第 二中间特征图、 所述第 三中间特征图和所述更新的第四中间特征图 进行特征融合处 理， 以得到目标 特征图。 7.根据权利要求3所述的一种多人体目标识别方法， 其特征在于， 在第二个阶段， 所述 根据所述第一中间特征图和所述第二中间特征图进行特征融合处理， 以得到第二卷积特征 图， 包括： 根据所述第 二中间特征图进行卷积处理和上采样处理， 以得到第 二更新的第 二中间特 征图； 根据所述第 一中间特征图和所述第 二更新的第 二中间特征图进行特征融合处理， 以得 到第二卷积特 征图。 8.一种多人体目标识别系统， 其特 征在于， 包括： 图像获取模块， 用于获取待识别图像， 并根据所述待识别图像通过下采样处理得到第 一采样特 征图； 图像处理模块， 用于将所述第一采样特征图输入改进的HRNet神经网络模型， 以得到目 标特征图； 其中， 所述改进的HRNet神经网络模型至少 包括三个阶段， 每一个阶段包括四个 对称耦合逐通道卷积模块， 四个所述对称耦合逐通道卷积模块依 次连接， 每一个所述对称 耦合逐通道卷积模块包括两个1 ×1标准卷积核和两个3 ×3逐通道卷积核， 其中， 第一个1 × 1标准卷积核、 第一个3 ×3逐通道卷积核、 第二个3 ×3逐通道卷积核和第二个1 ×1标准卷积 核依次连接； 其中， 根据每一个所述对称耦合逐通道卷积模块对输入的特征图进行卷积处 理， 包括： 将输入的特征图输入所述第一个1 ×1标准卷积核， 以得到第一通道特征图， 其中， 所述权　利　要　求　书 2/3 页 3 CN 114596580 A 3