深度感知姿态估计网络

兼具速度与精度

该网络利用深度估计和关节引导策略，在关节遮挡情况下也能实现高精度的人体姿态识别，为外骨骼步态分析提供非接触式测量方案。

裴忠才 · Wang, Chen · 唐志勇

Scientific Reports 2023

参数信息

关键点正确率（严格阈值）

95.77 %

关键点正确率（更严格阈值）

93.14 %

推理时间

3.55 ms

技术优势

无需接触被测者

只需 RGB 图像即可实现步态分析，避免了穿戴传感器带来的负担和干扰。

遮挡下仍保持精度

利用人体各关节间相关性作为检测目标，有效克服步行中部分关节被遮挡时的预测困难。

精度和速度兼备

在 WPE 数据集上达到 95.77% PCKs@0.1，单帧运行时间仅 3.55 ms，适合实时应用。

应用场景

• 外骨骼步态监测：在患者步行时提供实时姿态数据，及时发现步态异常并防止摔倒。
• 康复训练评估：通过非接触式测量客观评估康复训练效果，辅助医生调整方案。
• 人机协同运动分析：分析人机协同运动时的关节姿态，为外骨骼控制提供反馈。
• 具身智能感知：为具身智能体提供实时、鲁棒的人体姿态感知能力。