李夢瑤,周亞同，韋 創(chuàng)，李 民

(1.河北工業(yè)大學(xué)電子信息工程學(xué)院，天津 300401；2.華中科技大學(xué)水電與數(shù)字化工程學(xué)院，湖北 武漢 430074)

1 引言

隨著人工智能的發(fā)展，計算機(jī)視覺[1]和圖像處理等技術(shù)成功運(yùn)用到新零售[2]場景中，為零售商提供關(guān)于消費者需求的全面數(shù)據(jù)。在新零售場景中，無人貨架作為消費者選購商品后可以自助掃碼結(jié)算的平臺，能有效反饋消費者的購買需求和偏好情況。通過統(tǒng)計各類商品被消費者拿起瀏覽的次數(shù)或消費者的購買清單，可以分析消費者購買行為，以此調(diào)整備貨、進(jìn)貨策略，更好地滿足無人貨架場景的及時性需求，以改變傳統(tǒng)零售商供應(yīng)商品的低效、被動模式。

實現(xiàn)準(zhǔn)確、高效定位無人貨架前顧客上身關(guān)節(jié)點，是后續(xù)手持商品識別的重要基礎(chǔ)。近年來，人體關(guān)節(jié)點的定位研究主要分為3類[3 - 5]。

(1)基于硬件傳感器的研究方面。微軟于2010年研發(fā)的光學(xué)傳感器Kinect[6]，能夠根據(jù)內(nèi)置算法實時獲取人體關(guān)節(jié)點。Shotton等[7,8]將Kinect獲取的人體深度圖像像素分類為身體的多個部位，實現(xiàn)人體關(guān)節(jié)點檢測。李文陽等[9]克服了光照因素對Kinect獲取的人體圖像造成的干擾，實現(xiàn)了人體關(guān)節(jié)點精確定位。Kinect等傳感設(shè)備雖能方便地獲取人體關(guān)節(jié)點位置信息，但對傳感攝像頭的依賴會導(dǎo)致應(yīng)用區(qū)域的局限性并且增加了視頻獲取成本。

(2)基于圖結(jié)構(gòu)模型的研究方面。該類方法首先建立人體模型，并將其劃分為不同部位，再通過圖像處理提取特征實現(xiàn)人體關(guān)節(jié)點定位[10]。周倩等[11]基于細(xì)化算法提取人體骨架，在輪廓圖上進(jìn)行關(guān)節(jié)點精確定位。胡剛[12]提出一種對相鄰部位空間相對位置與其子部位方向之間關(guān)系進(jìn)行建模的關(guān)節(jié)點定位方法，克服了傳統(tǒng)圖結(jié)構(gòu)模型對人體建模的不足?；趫D模型的傳統(tǒng)方法對于關(guān)節(jié)點可見的情形能夠高效求解，但關(guān)節(jié)部位遮擋或存在外界環(huán)境等干擾因素會限制其表達(dá)能力，導(dǎo)致關(guān)節(jié)點定位精度下降。

(3)基于深度學(xué)習(xí)[13]的研究方面。隨著人工智能的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)[14]的人體關(guān)節(jié)點提取算法也相繼獲得廣泛應(yīng)用。該類方法不依賴硬件設(shè)備，成本低，自動從大量樣本中學(xué)習(xí)特征，避免手工設(shè)計的復(fù)雜性，能夠更精確地定位人體關(guān)節(jié)點位置。2014年Toshev等[15]提出Deep Pose算法，其以分類網(wǎng)絡(luò)AlexNet[16]為特征提取主干，并采用回歸歸一化關(guān)節(jié)點坐標(biāo)的方式在網(wǎng)絡(luò)中引入全連接層，增加了網(wǎng)絡(luò)參數(shù)和計算量，且關(guān)節(jié)點定位精度不高。2016年Wei等[17]提出卷積姿態(tài)機(jī)CPM(Convolutional Pose Machine)。CPM采用多階段級聯(lián)方式：即在每個階段，均將當(dāng)前階段圖像特征與上一階段輸出的置信圖共同作為下一階段的輸入，從而將空間信息和紋理信息融合，輸出精細(xì)化的關(guān)節(jié)點位置信息。2016年Newell等[18]提出Stacked Hourglass算法，其通過堆疊由殘差單元[19]構(gòu)成的沙漏模塊來提取不同尺寸的人體關(guān)節(jié)點特征，取得了較高精度。2017年Cao 等[20]提出能夠?qū)崟r檢測多人人體關(guān)節(jié)點的Open Pose，該算法利用自下而上的方式對人體關(guān)節(jié)點進(jìn)行定位，并利用復(fù)雜的特征向量親和域參數(shù)來不斷精確關(guān)節(jié)點位置。以上深度學(xué)習(xí)算法集中關(guān)注關(guān)節(jié)點定位精度，忽略了神經(jīng)網(wǎng)絡(luò)參數(shù)龐大和計算復(fù)雜等特點，無法兼顧算法性能和檢測效率，限制了算法實用性。

針對上述問題，本文就無人貨架旁存在單人的場景提出輕量級卷積姿態(tài)機(jī)L-CPM(Lightweight Convolutional Pose Machine)算法，主要通過引入輕量級卷積以及降低特征圖分辨率，減少CPM的計算量，提升關(guān)節(jié)點定位速度；提出基于超分辨率的卷積姿態(tài)機(jī)EP-L-CPM(Efficient Sub-Pixel Convolutional Neural Network and Lightweight Convolutional Pose Machine)算法,其通過在L-CPM中引入超分辨重建ESPCN(Efficient Sub-Pixel Convolutional Neural Network)來恢復(fù)丟失的特征信息，以進(jìn)一步提升關(guān)節(jié)點定位的精度。

2 相關(guān)理論

2.1 卷積姿態(tài)機(jī)結(jié)構(gòu)及原理

卷積姿態(tài)機(jī)CPM是一種典型的采用多階段級聯(lián)方式實現(xiàn)人體關(guān)節(jié)點定位的算法，其核心是通過順序化地使用大卷積核來獲得大感受野，并以不斷擴(kuò)大感受野的方式，隱式地讓網(wǎng)絡(luò)中的神經(jīng)元觀測到圖像全部的人體關(guān)節(jié)點信息，以提高關(guān)節(jié)點定位精度。這種方式在提高關(guān)節(jié)點定位精度的同時，也大幅度增加了計算量，其結(jié)構(gòu)如圖1所示。

Figure 1 Structure of CPM

CPM主要由2部分卷積層組成：由VGG構(gòu)成的特征提取骨架，其輸出為原始輸入(Input Image)的圖像特征，即FeatureMaps；一系列具有大尺寸卷積核的標(biāo)準(zhǔn)卷積層(Stand Convs)，其主要用來提取空間特征，輸出為關(guān)節(jié)點置信圖，即Belief Maps。

2.2 ESPCN原理及分析

ESPCN是一種高效的超分辨率重構(gòu)算法[21]。通過核心操作亞像素卷積將在低分辨率LR(Low Resolution)特征圖上提取的特征進(jìn)行整合以重構(gòu)恢復(fù)高分辨率HR(High Resolution)特征圖,其原理如圖2所示。

Figure 2 Schematic diagram of ESPCN (C=1)

具體地，在LR特征圖上提取特征的過程為:

f1(ILR;W1,b1)=φ(W1*ILR+b1)

(1)

fl(ILR;W1:l,b1:l)=φ(Wl*fl-1(ILR)+bl)

(2)

其中，l∈{1,…,L-1};L表示網(wǎng)絡(luò)層數(shù)；Wl表示卷積核；bl表示偏置；φ()表示激活函數(shù)；ILR代表輸入的LR特征圖。

HR特征圖重構(gòu)過程為：

IHR=fL(ILR)=ps(WL*fL-1(ILR)+bL)

(3)

其中,ps()代表亞像素卷積操作，IHR表示由ESPCN恢復(fù)得到的HR特征圖。亞像素卷積操作將尺寸為H×W×Cq2的LR輸出特征圖的像素重新排列成尺寸為qH×qW×C的HR特征圖，實現(xiàn)LR特征圖到HR特征圖的q倍放大,其中，H、W分別為圖像的高、寬，C為通道數(shù)。

3 輕量級卷積姿態(tài)機(jī)(L-CPM)算法

針對CPM算法存在計算量龐大的問題，本文基于MobileNet思想[22]和下采樣理論[23]對CPM進(jìn)行改進(jìn)，提出L-CPM算法，在保證關(guān)節(jié)點定位精度的前提下，實現(xiàn)算法整體計算量的下降。

MobileNet是針對移動設(shè)備部署的輕量級網(wǎng)絡(luò)，其核心結(jié)構(gòu)是深度可分離卷積(DS-Conv)。如圖3所示，該輕量級卷積模塊將標(biāo)準(zhǔn)卷積(Stand Conv)分解為一個深度卷積(DW Conv)和一個1ⅹ1的點卷積(PW Conv)，其可以成倍地降低時間復(fù)雜度和空間復(fù)雜度，能更高效地執(zhí)行卷積操作。

Figure 3 Schematic diagram of two different kinds of convolution modules

L-CPM結(jié)構(gòu)如圖4所示。由于CPM的計算量集中在由VGG構(gòu)成的特征提取骨架與具有大尺寸卷積核的Stand Convs。因此，一方面用MobileNet整體替換VGG，用DS-Conv替換Stand Convs；另一方面，利用下采樣(SubSampled)降低DS-Conv的輸出特征圖分辨率，通過減少冗余信息來進(jìn)一步減少算法計算量。

Figure 4 Structure of L-CPM

Figure 5 Internal structure of L-CPM

圖5所示為L-CPM內(nèi)部結(jié)構(gòu)圖，展示了L-CPM 引入深度可分離卷積和下采樣后的結(jié)果，輸出特征圖尺寸由原來的32×32降為了16×16和8×8。

4 基于超分辨率重建的卷積姿態(tài)機(jī)(EP-L-CPM)算法

L-CPM 引入下采樣后，計算量會進(jìn)一步減少。這種通過縮減輸出特征圖分辨率來提升人體關(guān)節(jié)點定位速度的方式，會不可避免地產(chǎn)生卷積輸出特征丟失，降低人體關(guān)節(jié)點定位精度。因此，本文提出一種基于超分辨率重建的卷積姿態(tài)機(jī)(EP-L-CPM)，通過在L-CPM中引入超分辨率重建(ESPCN)來恢復(fù)丟失的特征信息。EP-L-CPM架構(gòu)如圖6所示。

Figure 7 Internal structure of EP-L-CPM

Figure 6 Structure of EP-L-CPM

ESPCN作用在L-CPM的最后端，利用亞像素卷積操作對輸出特征圖的像素進(jìn)行重新排列，以實現(xiàn)特征圖從低分辨率到高分辨率的變換，該過程雖然命名為亞像素卷積，但實際上并沒有進(jìn)行卷積操作；在重建過程中，增加了輸出LR特征圖的通道數(shù)，使得LR特征圖鄰域像素點間的信息得到充分利用，能高質(zhì)量重建HR特征圖。因此，EP-L-CPM在保證不增加算法整體計算量的前提下，能實現(xiàn)關(guān)節(jié)點定位精度的提升。

引入ESPCN后的EP-L-CPM的具體內(nèi)部結(jié)構(gòu)如圖7所示。從圖7可以看出，通道數(shù)為144、尺寸為8ⅹ8的輸出特征圖，其寬和高分別擴(kuò)大了4倍，最終重建得到通道數(shù)為9、尺寸為32×32的輸出特征圖。

5 實驗設(shè)備及指標(biāo)

5.1 實驗設(shè)備

為驗證本文提出的算法在實際無人貨架應(yīng)用場景中的有效性，設(shè)計了一系列對比實驗。所有實驗均在TensorFlow1.12、Python3.68、具有4塊11 GB的顯存、核心頻率1.48 GHz的NVIDIA GeForce GTX 1080服務(wù)器上運(yùn)行。

5.2 實驗參數(shù)設(shè)置

CPM、L-CPM、EP-L-CPM 3種算法均通過均方誤差損失函數(shù)MSE(Mean Square Error)來衡量所預(yù)測的關(guān)節(jié)點熱力圖與真實關(guān)節(jié)點熱力圖之間的差異程度，其表達(dá)式如式(4)所示，并采用Adam(Adaptive moment estimation)的方式對損失函數(shù)進(jìn)行迭代優(yōu)化。同時，將batch size設(shè)置為16,初始學(xué)習(xí)率設(shè)置為10-4，且學(xué)習(xí)率以指數(shù)衰減方式隨著迭代次數(shù)的增加而減小。

(4)

其中，N表示樣本的個數(shù)，f(xi)與yi分別表示第i個樣本的預(yù)測值與真實值。

5.3 實驗評價指標(biāo)

實驗效果從精度(PCKh)、計算量(operations)和視覺效果等方面進(jìn)行評價。相關(guān)評價指標(biāo)表達(dá)式為：

(1)精度(PCKh)。

(5)

(2)計算量(operations)。

operations=2HW(CinK2+1)Cout

(6)

operations是衡量神經(jīng)網(wǎng)絡(luò)計算量的指標(biāo)，單位為FLOPs,其值越小，表示網(wǎng)絡(luò)計算量越小，算法執(zhí)行速度越快。其中，Cin表示輸入特征圖的通道數(shù)，H和W分別表示輸出特征圖的高和寬，K表示卷積核的大小，Cout表示輸出特征圖的通道數(shù)。

6 實驗結(jié)果及分析

針對無人貨架實際應(yīng)用場景，只需對人體上半身關(guān)節(jié)點進(jìn)行檢測。待定位的關(guān)節(jié)點分別為：頸部、左肩、右肩、左肘部、右肘部、左手腕、右手腕、左手部、右手部共9個關(guān)節(jié)點。其中左手部為：左手食指根部、左手大拇指中部、左手中指根部3者中的一點；右手部為：右手食指根部、右手大拇指中部、右手中指根部3者中的一點。

本文采用公開人體姿態(tài)數(shù)據(jù)集(AI Challanger)和實際無人貨架場景人體姿態(tài)數(shù)據(jù)集來共同驗證本文所提算法的可行性和優(yōu)越性。實驗從精度(PCKh)、計算量(operations)和視覺效果等方面對算法進(jìn)行視覺觀察與定量對比分析。

6.1 公開數(shù)據(jù)集上人體關(guān)節(jié)點定位效果分析

人體姿態(tài)數(shù)據(jù)集的復(fù)雜度取決于圖中人體肢體動作復(fù)雜度、背景復(fù)雜度、光照影響和關(guān)節(jié)點是否存在遮擋等因素。影響因素越多，關(guān)節(jié)點定位檢測的難度越大。從公開數(shù)據(jù)集(AI Challanger)中選取復(fù)雜程度不同的人體姿態(tài)圖像，分別使用CPM、L-CPM和EP-L-CPM算法對其進(jìn)行檢測，并將關(guān)節(jié)點定位后的結(jié)果進(jìn)行熱力圖可視化。

圖8a～圖8c為待檢測的數(shù)據(jù)樣本，關(guān)節(jié)點定位檢測的難度逐漸增大，難度系數(shù)用σ表示(σ=1，2，3)。

Figure 8 Human postures to be detected in public dataset

Figure 9 Experimental results of three algorithms on public dataset (σ=1)

Figure 10 Experimental results of three algorithms on public dataset (σ=2)

圖9所示是分別使用3種算法對難度系數(shù)為σ=1的人體姿態(tài)圖定位檢測的效果。從圖9中可以看出，σ=1的人體姿態(tài)圖中的肢體動作簡單，且關(guān)節(jié)點之間不存在遮擋，利用3種算法均能成功檢測出全部待檢測的9個關(guān)節(jié)點，且能精準(zhǔn)定位，初步驗證改進(jìn)后的CPM即L-CPM和EP-L-CPM具備一定的檢測精度。圖10所示是分別使用CPM、L-CPM和EP-L-CPM 對難度系數(shù)σ=2的公開數(shù)據(jù)樣本檢測的結(jié)果。圖10a中CPM檢測出8個關(guān)節(jié)點，由于圖中人體左肩膀存在部分遮擋，具有一定檢測難度，因此該關(guān)節(jié)點出現(xiàn)漏檢。圖10b中L-CPM 算法的檢測效果要明顯優(yōu)于CPM的，左肩膀關(guān)節(jié)點沒有出現(xiàn)漏檢的情況，但此關(guān)節(jié)點的定位精度在視覺效果上不及EP-L-CPM的，位置存在偏差，定位效果存在提升空間。圖10c中EP-L-CPM 算法解決了CPM算法出現(xiàn)的問題，視覺效果有很大的提升，9個待檢測關(guān)節(jié)點均被成功檢出，且實現(xiàn)了精準(zhǔn)定位。圖11a～圖11c是不同算法在難度系數(shù)為σ=3的人體姿態(tài)圖上的檢測效果。隨著檢測難度系數(shù)的增加，3種算法之間的差異逐漸擴(kuò)大。圖中人體右肩膀存在遮擋、右手部與背景相融，因此該2處關(guān)節(jié)點的檢測存在挑戰(zhàn)。CPM檢測效果最差,右肩膀和右手部均出現(xiàn)漏檢。L-CPM 檢測效果有所改善，僅有右手部一處出現(xiàn)漏檢。EP-L-CPM 算法不僅將9個關(guān)節(jié)點均成功檢出，且關(guān)節(jié)點定位最為精確，雖然右肩膀位置存在偏差，但也基本能達(dá)到要求，表明EP-L-CPM算法的定位效果最好。

圖12是對3種算法在不同難度系數(shù)(σ=1，2，3)的公開數(shù)據(jù)樣本上定位效果的定量比較。在相同檢測難度水平下，數(shù)據(jù)柱從左到右依次表示CPM、L-CPM和EP-L-CPM的PCKh值。從圖12中可知，當(dāng)檢測難度較低時，3種算法均能表現(xiàn)出較好的定位效果;隨著檢測難度的提高，CPM、L-CPM和EP-L-CPM的PCKh值均出現(xiàn)不同水平的下降。其中，CPM的PCKh值要明顯低于L-CPM與EP-L-CPM的，表明其定位精度最低。EP-L-CPM的PCKh值最高，表明在3種算法中，利用該算法所正確預(yù)測出的關(guān)節(jié)點所占比例最大，即其能檢測出最多數(shù)量的與真實標(biāo)注位置間的偏差距離在特定閾值之內(nèi)的關(guān)節(jié)點。

Figure 12 PCKh histogram of comparative experiment on public dataset

Figure 13 Human posture to be detected on reality scene dataset

6.2 實際無人貨架場景下人體關(guān)節(jié)點定位效果分析

為進(jìn)一步驗證本文所提算法的性能，設(shè)計實驗對無人貨架實際應(yīng)用場景中的人體姿態(tài)圖像進(jìn)行定位檢測。從實際場景中選取不同難度系數(shù)(σ=1，2，3)的人體姿態(tài)圖像，使用CPM、L-CPM和EP-L-CPM算法對其進(jìn)行檢測，并將關(guān)節(jié)點定位后的結(jié)果進(jìn)行熱力圖可視化。

圖13a～圖13c為待檢測的數(shù)據(jù)樣本，關(guān)節(jié)點定位檢測的難度逐漸增大。圖14中是分別使用CPM、L-CPM 和EP-L-CPM對難度系數(shù)σ=1的實際場景數(shù)據(jù)樣本的檢測效果。由圖14a～圖14c對比可以看出，在樣本難度系數(shù)較低的水平下，3種算法的檢測效果接近，均能精確定位出待檢測的9個關(guān)節(jié)點。進(jìn)一步驗證了L-CPM與EP-L-CPM算法在實際無人貨架場景中的有效性。

Figure 14 Experimental results of three algorithms on reality scene dataset(σ=1)

圖15a～圖15c分別對應(yīng)3種算法對難度系數(shù)為σ=2的人體姿態(tài)圖的檢測效果。由于圖中人體出現(xiàn)彎腰狀態(tài)，導(dǎo)致左肘部和左手腕不易辨別，檢測存在難度。從圖15a中可以看出，CPM算法表現(xiàn)不佳，只檢測出左肘部，存在漏檢。圖15b中L-CPM算法的檢測效果較CPM有明顯的提升。其中，左肘部和左手腕關(guān)節(jié)點未出現(xiàn)漏檢情況，但左肘部位置定位不精確，與左手腕造成混淆，存在一定的誤差。圖15c中EP-L-CPM算法的檢測精度要明顯優(yōu)于CPM的，左肘部和左手腕2個檢測難度最高的關(guān)節(jié)點均被成功檢出，且實現(xiàn)了精準(zhǔn)定位。

Figure 15 Experimental results of three algorithms on reality scene dataset(σ=2)

再次使用3種算法對難度系數(shù)σ=3的人體姿態(tài)圖進(jìn)行檢測。圖中人體衣著為純黑色且呈彎腰狀態(tài)，使得右肘部不僅難以辨別且與背景顏色融為一體；另外，左手腕存在部分遮擋，因此該2處關(guān)節(jié)點的檢測存在難度。根據(jù)圖16a～圖16c中的視覺效果，將3種算法按精度升序進(jìn)行排列為：CPM、L-CPM、EP-L-CPM。圖16c中L-CPM算法精確定位出5個關(guān)節(jié)點，左手腕出現(xiàn)漏檢。圖16b中EP-L-CPM算法將6個關(guān)節(jié)點均成功檢出，雖然左手腕位置存在偏差，但基本上滿足要求。圖16c中L-CPM算法精確定位出5個關(guān)節(jié)點，左手腕出現(xiàn)漏檢。該實驗也間接證明了在實際場景的定位檢測中，EP-L-CPM的效果最優(yōu)。

Figure 16 Experimental results of three algorithms on reality scene dataset(σ=3)

圖17是3種算法對不同難度系數(shù)(σ=1，2，3)的實際場景人體姿態(tài)圖檢測效果的定量評價指標(biāo)。在相同檢測難度水平下，數(shù)據(jù)柱從左到右依次表示CPM、L-CPM、EP-L-CPM的PCKh值。從圖17中可以看出，當(dāng)σ=1時，CPM的表現(xiàn)要稍差于L-CPM與EP-L-CPM，但差異較?。浑S著檢測難度的增加，差異逐漸增大，CPM的定位精度明顯低于L-CPM和EP-L-CPM的。其中，EP-L-CPM的定位精度最高，L-CPM的檢測效果不及EP-L-CPM的。

Figure 17 PCKh histogram of comparative experiment on reality scene dataset

6.3 算法性能評估及分析

本節(jié)從精度(PCKh)和計算量(operations)2個評價指標(biāo)出發(fā)，對CPM、L-CPM和EP-L-CPM 3種定位算法的性能進(jìn)行定量分析。其中，計算量(operations)用來統(tǒng)計算法的浮點計算次數(shù)，具體數(shù)值通過調(diào)用TensorFlow中的profiler.ProfileOptionBuilder.float_operation與profiler.Profile 2個API所得。為使3種定位算法的計算量對比更加直觀，將FLOPs轉(zhuǎn)換為GFLOPs的形式進(jìn)行分析(1 GFLOPs=109FLOPs)。由表1可以看出，CPM的定位精度最低，計算量最大。L-CPM在結(jié)合MobileNet與下采樣的優(yōu)勢后，計算量明顯下降，且定位精度得到進(jìn)一步提高，彌補(bǔ)了CPM的不足。其中，L-CPM 算法的精度為89.79%，較CPM有4.52%的提升，其計算量為CPM的1/64，成功實現(xiàn)了輕量化。EP-L-CPM在L-CPM的基礎(chǔ)上引入ESPCN，算法精度為92.46%，較L-CPM有2.67%的提升，有效彌補(bǔ)了L-CPM因通過下采樣來減小特征圖分辨率而出現(xiàn)的精度損失；另外，EP-L-CPM在3種算法中計算量最少，分析其原因是ESPCN利用亞像素卷積操作重建高分辨率特征圖恢復(fù)丟失特征信息的過程，為像素點的重新排列，因?qū)嶋H沒有進(jìn)行卷積，所以并未引入過多的計算量。綜合算法精度與計算量大小因素，EP-L-CPM在實際場景中的應(yīng)用優(yōu)勢更加明顯。因此，實驗表現(xiàn)和理論分析表明了本文提出的L-CPM和EP-L-CPM算法的有效性和優(yōu)越性，在提高關(guān)節(jié)點定位精度的同時，能最大限度地減少算法計算量。

Table 1 Performance evaluation of different algorithms

7 結(jié)束語

本文將CPM、MobileNet、下采樣和ESPCN進(jìn)行優(yōu)勢結(jié)合，提出了L-CPM和EP-L-CPM算法并進(jìn)行了充分的對比實驗，驗證了L-CPM和EP-L-CPM算法對各種人體姿態(tài)圖的定位檢測效果。根據(jù)本文中的理論分析和實驗結(jié)果可以得出如下結(jié)論：

(1)L-CPM確實能夠有效結(jié)合CPM、MobileNet和下采樣的優(yōu)勢，與單獨的CPM相比，L-CPM可以更精確地定位人體關(guān)節(jié)點，且計算量顯著下降。

(2)EP-L-CPM作為L-CPM的優(yōu)化算法，有效結(jié)合了L-CPM和ESPCN的優(yōu)勢，從視覺效果與定量指標(biāo)2方面分析，EP-L-CPM較L-CPM具有更高的定位精度；且ESPCN中的亞像素卷積優(yōu)勢，使EP-L-CPM的計算量在L-CPM的基礎(chǔ)上進(jìn)一步減少，表明了該算法的優(yōu)越性。

(3)綜合多種因素，EP-L-CPM是具有更高檢測精度和更小計算量的人體關(guān)節(jié)點定位算法，在實際應(yīng)用中具有突出的優(yōu)勢。