Os modelos existentes de detecção de pontos-chave do corpo humano carecem de atenção às características de alta resolução, e os conjuntos de dados utilizados no treinamento possuem baixa resolução e grandes erros de anotação, resultando em resultados instáveis de detecção e baixa precisão de localização em tarefas como análise de marcha. Para resolver esses problemas, propomos um modelo de detecção de pontos-chave dos membros inferiores baseado na fusão de características multiresolução. Utiliza-se imagens de alta resolução como entrada da rede, empregando a rede MobiliNet v1 refinada combinada com um mecanismo de atenção para extrair características globais de baixa resolução e prever preliminarmente a posição dos pontos-chave. Paralelamente, uma rede rasa extrai características locais de alta resolução, e então são fundidas características de diferentes resoluções por meio de uma estrutura residual contínua com mecanismo de atenção, aumentando a precisão da predição dos pontos-chave e atenuando eficazmente o alto custo computacional causado por imagens de alta resolução. Um conjunto de dados de alta resolução e alta precisão para pontos-chave dos membros inferiores foi criado por meio de pré-rotulagem para garantir a exatidão do treinamento do modelo. O modelo foi avaliado em termos de complexidade, velocidade de detecção, precisão e erro de detecção, comparado a outros métodos clássicos e avançados. Os resultados mostram que a taxa de detecção do modelo proposto alcançou 95,2%, superando Lightweight-OpenPose, HRNet-W32, HRNet-W48, YOLO-Pose, RTMPose e SimCC, com aumento na precisão de detecção de 4,1% a 83,6% e aumento de FPS entre 7,6 e 13,9. Isso comprova a eficácia do modelo proposto na detecção precisa de pontos-chave dos membros inferiores.

Detecção de pontos-chave dos membros inferiores; fusão de características multiresolução; mecanismo de atenção; pré-rotulagem