技术摘要：
本公开实施例公开了一种人体姿态预测值校正方法、装置，服务器及存储介质，属于图像处理技术领域，本公开实施例在得到人体姿态预测值之后，继续通过第一神经网络和第二神经网络对人体姿态预测值进行校正，使第一预测值和第二预测值的相似度处于第一预设区间内，相比于  全部
背景技术：
目前，对人体姿态进行预测采用的方法一般都是先获取人体图像，然后通过例如 VGG、RestNet，以及Inception网络对人体图像进行特征图提取，再将提取的特征图输入一 个神经网络对人体姿态进行预测，将预测的结果直接作为最终的人体姿态预测值，而未对 预测的结果进行校正，从而使预测的精确度并不理想。
技术实现要素：
本公开实施例提供一种人体姿态预测值校正方法、装置，服务器及存储介质，以解 决现有技术中对人体姿态预测不准确的问题。 第一方面，本公开实施例提供了一种人体姿态预测值校正方法，包括如下步骤： 获取人体姿态图像，与人体姿态图像对应的人体姿态预测值，以及与人体姿态图 像对应的人体姿态图像标注值； 将人体姿态图像和人体姿态图像标注值输入第一神经网络以获得第一预测值； 将人体姿态图像和人体姿态预测值输入第二神经网络，以获得第二预测值； 在第一神经网络和第二神经网络的权重参数进行迭代的过程中，监测第一预测值 与第二预测值的相似度是否在第一预设区间内，并根据监测结果确定第二预测值作为人体 姿态校正值。 可选的，将人体姿态图像和人体姿态图像标注值输入第一神经网络，以获得第一 预测值具体包括： 将人体姿态图像和人体姿态图像标注值输入第一神经网络，得到第一热力图； 对第一热力图进行积分，以获得第一预测值； 将人体姿态图像和人体姿态预测值输入第二神经网络，以获得第二预测值具体包 括： 将人体姿态图像和人体姿态预测值输入第二神经网络，得到第二热力图； 对第二热力图进行积分，以获得第二预测值。 可选的，上述方法还包括： 将第一热力图和第二热力图输入第三神经网络，得到第三预测值； 监测第一预测值和第二预测值的相似度在第一预设区间内，第一预测值和第三预 测值的相似度是否在第二预设区间内，以及监测第二预测值和第三预测值的相似度是否在 第三预测区间内； 若监测到第一预测值和第二预测值的相似度在第一预设区间内，第一预测值和第 三预测值的相似度在第二预设区间内，以及第二预测值和第三预测值的相似度在第三预测 4 CN 111553324 A 说　明　书 2/11 页 区间内时，确定第二预测值作为人体姿态校正值。 可选的，第一预设区间、第二预设区间和第三预设区间均相同。 可选的，在将人体姿态图像和人体姿态图像标注值输入第一神经网络之前，还包 括： 将人体姿态图像标注值进行高斯分布化处理； 将人体姿态图像和人体姿态图像标注值输入第一神经网络包括： 将人体姿态图像和高斯分布化处理后的人体姿态图像标注值输入第一神经网络。 可选的，第一神经网络与第二神经网络为孪生神经网络，并且第一神经网络和第 二神经网络的结构，以及权重参数相同。 可选的，第一神经网络、第二神经网络和第三神经网络为卷积神经网络，卷积神经 网络包括至少一个输入层、隐藏层和输出层。 可选的，隐藏层包括至少一个卷积层和池化层，至少一个卷积层和池化层组成至 少一个卷积组，用于逐层对特征进行提取。 可选的，隐藏层还包括激活层、全连接层和BN层中的至少一种。 可选的，孪生神经网络为ResNet网络、Hourglass网络和Pyramid  Network网络中 的至少一种。 可选的，第三神经网络为生成对抗网络GAN。 第二方面，本公开实施例提供了一种人体姿态预测值校正装置，包括： 数据获取单元，用于获取人体姿态图像，与人体姿态图像对应的人体姿态预测值， 以及与人体姿态图像对应的人体姿态图像标注值； 第一预测单元，用于将人体姿态图像和人体姿态图像标注值输入第一神经网络以 获得第一预测值； 第二预测单元，用于将人体姿态图像和人体姿态预测值输入第二神经网络，以获 得第二预测值； 第一监测单元，用于在第一神经网络和第二神经网络的权重参数进行迭代的过程 中，监测第一预测值与第二预测值的相似度是否在第一预设区间内，并根据监测结果确定 第二预测值作为人体姿态校正值。 第三方面，本公开实施例提供了一种服务器，包括： 一个或多个处理器； 存储器，用于存储一个或多个程序； 当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本公 开实施例第一方面任一的人体姿态预测值校正方法。 第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程 序，该计算机程序被处理器执行时实现如本公开实施例第一方面任一的人体姿态预测值校 正方法。 本公开实施例提供的一种人体姿态预测值校正方法及装置，在得到人体姿态预测 值之后，继续通过第一神经网络和第二神经网络对人体姿态预测值进行校正，使第一预测 值和第二预测值的相似度处于第一预设区间内，相比于现有技术缺少人体姿态预测值的校 正过程，通过第一神经网络和第二神经网络相互监督学习的方式，使得到的人体姿态校正 5 CN 111553324 A 说　明　书 3/11 页 值更准确。 附图说明 图1为本公开实施例提供的一种人体姿态预测值校正方法流程示意图； 图2为本公开实施例提供的第一预测值获取流程示意图； 图3为本公开实施例提供的第二预测值获取流程示意图； 图4为本公开实施例提供的一种人体姿态校正值获取流程示意图； 图5为本公开实施例提供的人体姿态校正值获取流程示意图； 图6为本公开实施例提供的5层全连接的神经网络的结构框图； 图7为本公开实施例提供的一种人体姿态预测值校正装置结构框图； 图8为本公开实施例提供的再一种人体姿态预测值校正装置结构框图； 图9为本公开实施例提供的一种服务器的结构示意图。