利用结构化SVM结合CNN的层次化目标检测与人体姿态估计方法

来源：计算机应用研究杂志2020年第5期北京时间：

作者：孙新领,张皓,赵丽,

单位：1.河南工学院计算机科学与技术系,河南新乡453003；2.山西大学软件学院,太原030013；

摘要：针对现有姿态估计方法不能准确提取特征参数的问题，提出了一种基于结构化支持向量机（SSVM）与卷积神经网络（CNN）的层次化模型。首先，展示了一个基于PS部件模型的SSVM如何实现为一个两层的神经网络，其中第一层是卷积层，另一层是损失增强推理层；通过将模型的结构化形式转换为模型中的一个神经网络，提出方法可以同时学习结构模型和外观模型，同时反向传播误差以学习底层的可学习参数，这些参数可从外观模型特征中提取出来；最后，将SSVM模型转换为神经网络模型，将误差反向传播到较低层，并计算确切的SSVM损失，同时通过基于次梯度的方法来学习原始SSVM。将该模型与当前较为先进的识别模型进行了对比，结果证明提出的层次化模型的识别成功率比对比方法平均高6%，具有更强的识别性能。

关键词：人体姿态估计,外观模型,深度神经网络,卷积层,结构化支持向量机,

基金资助：河南省高等学校重点科研项目(19A520019)；山西省基础研究计划项目—青年科技研究基金资助项目(2014021039-6)；；