基于关节角模型的学习方法用于细化运动学人体姿态估计
计算机视觉与模式识别
2025-07-16 v1 人工智能
摘要
无标记人体姿态估计 (HPE) 在各类领域找到了日益增多的应用。当前 HPE 在关键点识别和关键点轨迹随机波动时存在偶发误差。现有基于深度学习的 HPE 细化模型性能受限于关键点手动标注训练数据集的不准确。本文通过关节角建模提出了一种新方法。关键技术包括：(i) 基于关节角的人体姿态模型，能够稳健地描述运动学人体姿态；(ii) 通过高阶傅里叶级数近似关节角的时变，获取可靠的“真值”；(iii) 设计一个双向循环网络作为后处理模块，用于细化基于 HRNet 的估计。使用我们方法构建的高质量数据集训练后，该网络在纠正错误识别的关键点和平滑其时空轨迹方面表现出色。测试表明，关节角细化 (JAR) 在图尔滕斯赛和街舞等具有挑战性的场景中超越了当前最先进的 HPE 细化网络。
引用
@article{arxiv.2507.11075,
title = {Joint angle model based learning to refine kinematic human pose estimation},
author = {Chang Peng and Yifei Zhou and Huifeng Xi and Shiqing Huang and Chuangye Chen and Jianming Yang and Bao Yang and Zhenyu Jiang},
journal= {arXiv preprint arXiv:2507.11075},
year = {2025}
}