CN108038469A - 用于检测人体的方法和装置 - Google Patents
用于检测人体的方法和装置 Download PDFInfo
- Publication number
- CN108038469A CN108038469A CN201711440851.8A CN201711440851A CN108038469A CN 108038469 A CN108038469 A CN 108038469A CN 201711440851 A CN201711440851 A CN 201711440851A CN 108038469 A CN108038469 A CN 108038469A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- detected
- key point
- mentioned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于检测人体的方法和装置。该方法的一具体实施方式包括:获取待检测图像,其中,所述待检测图像中包括人体图像;将所述待检测图像导入预先建立的人体关键点检测模型,得到所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,所述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;将所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。该实施方式简化了人体检测的过程,提高了人体检测的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像处理技术领域,尤其涉及用于检测人体的方法和装置。
背景技术
人体检测在计算机视觉领域中有许多重要的应用,例如视频监控、图像检索、人机交互、驾驶辅助***等等。人体检测的目的是输出图像中所有人体的位置。现阶段,可以首先对包括人体图像的原图像进行处理,得到原图像中人体的最小边界框。之后,从原图像中抠取人体的最小边界框,然后,在对抠取的人体最小边界框进行人体关键点识别等处理,因此,整个人体检测的处理过程复杂,计算量大,难以达到实时处理的要求。
发明内容
本申请实施例提出了用于检测人体的方法和装置。
第一方面,本申请实施例提供了一种用于检测人体的方法,包括:获取待检测图像,其中,上述待检测图像中包括人体图像;将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;将上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
在一些实施例中,上述人体关键点检测模型包括特征提取网络、人体检测网络、人体关键点检测网络。
在一些实施例中,上述将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,包括:将上述待检测图像导入上述特征提取网络,得到第一特征图,其中,上述特征提取网络用于表征图像与第一特征图的对应关系;将上述第一特征图导入上述人体检测网络,得到上述第一特征图中的人体特征区域,其中,上述人体检测网络用于表征特征图与人体特征区域的对应关系;基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框;将上述人体特征区域导入上述人体关键点检测网络得到上述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测网络用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。
在一些实施例中,上述人体检测网络包括第一卷积神经网络和第二卷积神经网络。
在一些实施例中,上述将上述第一特征图导入上述人体检测网络,得到上述第一特征图中人体的人体特征区域,包括:将上述第一特征图导入上述第一卷积神经网络,得到第二特征图,其中,上述第一卷积神经网络用于表征第一特征图和第二特征图的对应关系;将上述第二特征图导入上述第二卷积神经网络,得到概率图,其中,上述概率图中的每一个像素值表示该区域是人体的概率,上述第二卷积神经网络用于表征特征图与概率图的对应关系;获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
在一些实施例中,上述获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域,包括:计算上述概率图与上述第一特征图的第一比例关系;根据上述第一比例关系,从上述第一特征图中获取人体特征区域。
在一些实施例中,上述基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框,包括:计算上述第一特征图与上述待检测图像的第二比例关系;根据上述人体特征区域的顶点坐标和上述第二比例关系,确定上述人体特征区域的顶点在上述待检测图像的对应坐标;根据上述人体特征区域的顶点在上述待检测图像的对应坐标确定上述待检测图像中的人体边框。
在一些实施例中,上述人体关键点检测模型是通过以下方式训练得到的:获取样本集,其中,样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;利用上述样本集,训练初始卷积神经网络,得到上述人体关键点检测模型。
第二方面,本申请实施例提供了一种用于检测人体的装置,包括:获取单元,用于获取待检测图像,其中,上述待检测图像中包括人体图像;检测单元,用于将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;输出单元,用于将上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
在一些实施例中,上述人体关键点检测模型包括特征提取网络、人体检测网络、人体关键点检测网络。
在一些实施例中,上述检测单元包括:提取单元,用于将上述待检测图像导入上述特征提取网络,得到第一特征图,其中,上述特征提取网络用于表征图像与第一特征图的对应关系;人体检测单元,用于将上述第一特征图导入上述人体检测网络,得到上述第一特征图中的人体特征区域,其中,上述人体检测网络用于表征特征图与人体特征区域的对应关系;人体边框获取单元,用于基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框;关键点检测单元,用于将上述人体特征区域导入上述人体关键点检测网络得到上述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测网络用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。
在一些实施例中,上述人体检测网络包括第一卷积神经网络和第二卷积神经网络。
在一些实施例中,上述人体检测单元包括:特征提取单元,用于将上述第一特征图导入上述第一卷积神经网络,得到第二特征图,其中,上述第一卷积神经网络用于表征第一特征图和第二特征图的对应关系;概率图生成单元,用于将上述第二特征图导入上述第二卷积神经网络,得到概率图,其中,上述概率图中的每一个像素值表示该区域是人体的概率,上述第二卷积神经网络用于表征特征图与概率图的对应关系;区域获取单元,用于获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
在一些实施例中,上述区域获取单元进一步用于:计算上述概率图与上述第一特征图的第一比例关系;根据上述第一比例关系,从上述第一特征图中获取人体特征区域。
在一些实施例中,上述人体边框获取单元进一步用于:计算上述第一特征图与上述待检测图像的第二比例关系;根据上述人体特征区域的顶点坐标和上述第二比例关系,确定上述人体特征区域的顶点在上述待检测图像的对应坐标;根据上述人体特征区域的顶点在上述待检测图像的对应坐标确定上述待检测图像中的人体边框。
在一些实施例中,上述装置还包括模型训练单元,上述模型训练单元用于:获取样本集,其中,样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;利用上述样本集,训练初始卷积神经网络,得到上述人体关键点检测模型。
第三方面,本申请实施例提供了一种终端,该终端包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请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,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测人体的方法和装置,首先获取待检测图像,而后将该待检测图像导入预先建立的人体关键点检测模型,得到该待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,最后,将该待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出,从而简化了人体检测的过程,提高了人体检测的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于检测人体的方法的一个实施例的流程图;
图3是根据本申请的用于检测人体的方法的一个应用场景的示意图;
图4是根据本申请的用于检测人体的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测人体的方法或用于检测人体的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如图像处理类应用、网页浏览器应用等。
终端设备101、102、103可以是具有显示屏并且支持图像处理的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以从终端设备获取待检测图像,然后对待检测图像进行人体检测等处理,最后将处理结果输出给终端设备,由终端设备进行显示。
需要说明的是,本申请实施例所提供的用于检测人体的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行。相应地,用于检测人体的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。本申请对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于检测人体的方法的一个实施例的流程200。该用于检测人体的方法,包括以下步骤:
步骤201,获取待检测图像。
在本实施例中,用于检测人体的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以从本地或者其他存储有待检测图像的电子设备获取待检测图像,其中,上述待检测图像包括人体图像。
步骤202,将待检测图像导入预先建立的人体关键点检测模型,得到待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果。
在本实施例中,上述电子设备可以将上述待检测图像导入预先建立的人体关键点检测模型,从而得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果。作为示例,人体边框可以是用来界定人体的矩形边界框,人体关键点可以是人的身体部位关键点,例如头、手、脚、腰、肩等等。需要说明的是,上述人体关键点检测模型可以用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。作为示例,上述人体关键点检测模型可以是技术人员基于对大量的图像与人体检测结果的统计而预先制定的、存储有多个图像与人体检测结果的对应关系的对应关系表,其中,人体检测结果包括图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果。
在本实施例的一些可选的实现方式中,上述人体关键点检测模型可以包括特征提取网络、人体检测网络、人体关键点检测网络。作为示例,上述特征提取网络可以用于从上述待检测图像中提取特征信息,得到上述待检测图像的特征图,例如,上述特征提取网络可以是人工神经网络。上述人体检测网络用于在上述待检测图像的特征图上检测人体边框。上述人体关键点检测网络用于检测人体关键点位置,以及用于判断检测到的人体关键点是否属于人体。
在一些可选的实现方式中,步骤202可以具体包括:首先,上述电子设备可以将上述待检测图像导入上述特征提取网络,得到第一特征图,其中,上述特征提取网络可以用于表征图像与第一特征图的对应关系,作为示例,上述特征提取网络可以使用卷积神经网络实现。其次,上述电子设备可以将上述第一特征图导入上述人体检测网络,得到上述第一特征图中的人体特征区域,其中,上述人体检测网络可以用于表征特征图与人体特征区域的对应关系,作为示例,上述人体检测网络可以使用卷积神经网络实现。然后,上述电子设备可以基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框。最后,上述电子设备可以将上述人体特征区域导入上述人体关键点检测网络得到上述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测网络可以用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。在这里,上述人体关键点位置为人体关键点在上述待检测图像中的位置。上述电子设备可以根据上述第一特征图与上述待检测图像的比例关系,确定上述第一特征图中的人体特征区域上的各像素点在上述待检测图像中对应的位置。作为示例,上述人体关键点检测网络可以使用卷积神经网络实现。
可选的,上述人体检测网络可以包括第一卷积神经网络和第二卷积神经网络。
可选的,上述将上述第一特征图导入上述人体检测网络,得到上述第一特征图中人体的人体特征区域,可以具体包括:首先,上述电子设备可以将上述第一特征图导入上述第一卷积神经网络,得到第二特征图,其中,上述第一卷积神经网络可以用于表征第一特征图和第二特征图的对应关系。在这里,通过上述第一卷积神经网络可以增加网络的深度,从而获得更高阶的图像特征。然后,上述电子设备可以将上述第二特征图导入上述第二卷积神经网络,得到概率图,其中,上述概率图中的每一个像素值表示该区域是人体的概率,上述第二卷积神经网络可以用于表征特征图与概率图的对应关系。作为示例,上述第二卷积神经网络可以包括1*1的卷积层和softmax激活函数层,其中,1*1的卷积层可以实现降维的作用,softmax激活函数层的输出为概率图,概率图中的每一个像素值表示该像素值所在区域是人体的概率,概率图中的像素值可以是0到1之间的值。最后,上述电子设备可以获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
可选的,上述获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域,可以具体包括:首先,上述电子设备可以计算上述概率图与上述第一特征图的第一比例关系;然后,上述电子设备可以是根据上述第一比例关系,从上述第一特征图中获取人体特征区域,例如,当上述概率图与上述第一特征图的第一比例关系为1:10时,即长、高比均为1:10,表示上述概率图中的一个像素点对应上述第一特征图中的一个10*10的区域。
可选的,上述基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框,可以具体包括:首先,上述电子设备可以计算上述第一特征图与上述待检测图像的第二比例关系;然后,上述电子设备可以根据上述人体特征区域的顶点坐标和上述第二比例关系,确定上述人体特征区域的顶点在上述待检测图像的对应坐标,例如,第一特征图与待检测图像的第二比例关系为1:20,即长、高比均为1:20,第一特征图上某点的坐标为(x,y),则该点坐标在该待检测图像的对应坐标可以为(20x,20y);最后,上述电子设备可以根据上述人体特征区域的顶点在上述待检测图像的对应坐标确定上述待检测图像中的人体边框,作为示例,上述待检测图像中人体的人体边框可以是矩形边界框。
在本实施例的一些可选的实现方式中,上述人体关键点检测模型可以是上述电子设备或者其他用于训练上述人体关键点检测模型的电子设备通过以下方式训练得到的:
首先,可以获取样本集,其中,上述样本集中的样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;
然后,可以利用上述样本集,训练初始卷积神经网络,得到上述人体关键点检测模型。作为示例,可以将样本的样本图像作为上述初始卷积神经网络的输入,将样本的标注信息作为上述初始卷积神经网络的输出,基于预设的损失函数和反向传播算法训练得到人体关键点检测模型,其中,上述损失函数可以用于表征初始卷积神经网络输出的结果与样本的标注信息的误差,训练的目标是使上述损失函数的值最小。需要说明的是,上述反向传播算法(Back Propgation Algorithm,BP算法)也可称为误差反向传播(Error BackPropagation,BP)算法,或误差逆传播算法。BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中,输入信号经输入层输入,通过隐层计算由输出层输出,输出结果与标注信息比较,若有误差,将误差反向由输出层向输入层传播,在这个过程中,可以利用梯度下降算法(例如随机梯度下降算法)对神经元权值(例如卷积层中卷积核的参数等)进行调整。在这里,上述初始卷积神经网络可以是通过各种方式得到的,例如,基于现有的卷积神经网络随机生成网络参数得到的。需要说明的是,上述人体关键点检测模型仅仅用于说明人体关键点检测模型参数的调整过程,可以认为初始卷积神经网络为参数调整前的模型,人体关键点检测模型为参数调整后的模型,模型参数的调整过程并不仅限于一次,可以根据模型的优化程度以及实际需要等重复多次。
步骤203,将待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
在本实施例中,上述电子设备可以将步骤202中得到的待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出,作为示例,上述电子设备可以将待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果在上述待检测图像中进行显示。
继续参见图3,图3是根据本实施例的用于检测人体的方法的应用场景的一个示意图。在图3的应用场景中,电子设备首先获取待检测图像,其中,上述待检测图像中包括人体A的人体图像;之后,上述电子设备可以将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;最后,上述电子设备可以将上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出,就会如图3所示,其中,人体A的人体边框为301,人体A的人体关键点包括头3011、左肩3012、右肩3013、左手3014、右手3015、腰3016、左脚3017、右脚3018,如果人体关键点属于人体A则输出判断结果“是”,如果不属于人体A,则输出判断结果“否”。
本申请的上述实施例提供的方法通过人体关键点检测模型可以得到待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,由于不需要先从原始的待检测图像中抠取人体边框再进行人体关键点检测,因此简化了人体检测的过程,提高了人体检测的效率。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于检测人体的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于检测人体的装置400包括:获取单元401、检测单元402和输出单元403。其中,获取单元401用于获取待检测图像,其中,上述待检测图像中包括人体图像;检测单元402用于将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;输出单元403用于将上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
在本实施例中,用于检测人体的装置400的获取单元401、检测单元402和输出单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述人体关键点检测模型可以包括特征提取网络、人体检测网络、人体关键点检测网络。
在本实施例的一些可选的实现方式中,上述检测单元402可以包括:提取单元(图中未示出),用于将上述待检测图像导入上述特征提取网络,得到第一特征图,其中,上述特征提取网络用于表征图像与第一特征图的对应关系;人体检测单元(图中未示出),用于将上述第一特征图导入上述人体检测网络,得到上述第一特征图中的人体特征区域,其中,上述人体检测网络用于表征特征图与人体特征区域的对应关系;人体边框获取单元(图中未示出),用于基于上述人体特征区域得到上述待检测图像中人体图像所对应人体的人体边框;关键点检测单元(图中未示出),用于将上述人体特征区域导入上述人体关键点检测网络得到上述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测网络用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。
在本实施例的一些可选的实现方式中,上述人体检测网络可以包括第一卷积神经网络和第二卷积神经网络。
在本实施例的一些可选的实现方式中,上述人体检测单元可以包括:特征提取单元(图中未示出),用于将上述第一特征图导入上述第一卷积神经网络,得到第二特征图,其中,上述第一卷积神经网络用于表征第一特征图和第二特征图的对应关系;概率图生成单元(图中未示出),用于将上述第二特征图导入上述第二卷积神经网络,得到概率图,其中,上述概率图中的每一个像素值表示该区域是人体的概率,上述第二卷积神经网络用于表征特征图与概率图的对应关系;区域获取单元(图中未示出),用于获取上述第一特征图中的、与上述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
在本实施例的一些可选的实现方式中,上述区域获取单元可以进一步用于:计算上述概率图与上述第一特征图的第一比例关系;根据上述第一比例关系,从上述第一特征图中获取人体特征区域。
在本实施例的一些可选的实现方式中,上述人体边框获取单元可以进一步用于:计算上述第一特征图与上述待检测图像的第二比例关系;根据上述人体特征区域的顶点坐标和上述第二比例关系,确定上述人体特征区域的顶点在上述待检测图像的对应坐标;根据上述人体特征区域的顶点在上述待检测图像的对应坐标确定上述待检测图像中的人体边框。
在本实施例的一些可选的实现方式中,上述装置还包括模型训练单元(图中未示出),上述模型训练单元用于:获取样本集,其中,样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;利用上述样本集,训练初始卷积神经网络,得到上述人体关键点检测模型。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、检测单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待检测图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待检测图像,其中,上述待检测图像中包括人体图像;将上述待检测图像导入预先建立的人体关键点检测模型,得到上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,上述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;将上述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于检测人体的方法,包括:
获取待检测图像,其中,所述待检测图像中包括人体图像;
将所述待检测图像导入预先建立的人体关键点检测模型,得到所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,所述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;
将所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
2.根据权利要求1所述的方法,其中,所述人体关键点检测模型包括特征提取网络、人体检测网络、人体关键点检测网络。
3.根据权利要求2所述的方法,其中,所述将所述待检测图像导入预先建立的人体关键点检测模型,得到所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,包括:
将所述待检测图像导入所述特征提取网络,得到第一特征图,其中,所述特征提取网络用于表征图像与第一特征图的对应关系;
将所述第一特征图导入所述人体检测网络,得到所述第一特征图中的人体特征区域,其中,所述人体检测网络用于表征特征图与人体特征区域的对应关系;
基于所述人体特征区域得到所述待检测图像中人体图像所对应人体的人体边框;
将所述人体特征区域导入所述人体关键点检测网络得到所述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,所述人体关键点检测网络用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。
4.根据权利要求3所述的方法,其中,所述人体检测网络包括第一卷积神经网络和第二卷积神经网络。
5.根据权利要求4所述的方法,其中,所述将所述第一特征图导入所述人体检测网络,得到所述第一特征图中人体的人体特征区域,包括:
将所述第一特征图导入所述第一卷积神经网络,得到第二特征图,其中,所述第一卷积神经网络用于表征第一特征图和第二特征图的对应关系;
将所述第二特征图导入所述第二卷积神经网络,得到概率图,其中,所述概率图中的每一个像素值表示该区域是人体的概率,所述第二卷积神经网络用于表征特征图与概率图的对应关系;
获取所述第一特征图中的、与所述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
6.根据权利要求5所述的方法,其中,所述获取所述第一特征图中的、与所述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域,包括:
计算所述概率图与所述第一特征图的第一比例关系;
根据所述第一比例关系,从所述第一特征图中获取人体特征区域。
7.根据权利要求6所述的方法,其中,所述基于所述人体特征区域得到所述待检测图像中人体图像所对应人体的人体边框,包括:
计算所述第一特征图与所述待检测图像的第二比例关系;
根据所述人体特征区域的顶点坐标和所述第二比例关系,确定所述人体特征区域的顶点在所述待检测图像的对应坐标;
根据所述人体特征区域的顶点在所述待检测图像的对应坐标确定所述待检测图像中的人体边框。
8.根据权利要求1所述的方法,其中,所述人体关键点检测模型是通过以下方式训练得到的:
获取样本集,其中,样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;
利用所述样本集,训练初始卷积神经网络,得到所述人体关键点检测模型。
9.一种用于检测人体的装置,包括:
获取单元,用于获取待检测图像,其中,所述待检测图像中包括人体图像;
检测单元,用于将所述待检测图像导入预先建立的人体关键点检测模型,得到所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果,其中,所述人体关键点检测模型用于表征图像与图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系;
输出单元,用于将所述待检测图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果进行输出。
10.根据权利要求9所述的装置,其中,所述人体关键点检测模型包括特征提取网络、人体检测网络、人体关键点检测网络。
11.根据权利要求10所述的装置,其中,所述检测单元包括:
提取单元,用于将所述待检测图像导入所述特征提取网络,得到第一特征图,其中,所述特征提取网络用于表征图像与第一特征图的对应关系;
人体检测单元,用于将所述第一特征图导入所述人体检测网络,得到所述第一特征图中的人体特征区域,其中,所述人体检测网络用于表征特征图与人体特征区域的对应关系;
人体边框获取单元,用于基于所述人体特征区域得到所述待检测图像中人体图像所对应人体的人体边框;
关键点检测单元,用于将所述人体特征区域导入所述人体关键点检测网络得到所述待检测图像的人体关键点位置,以及人体关键点是否属于人体的判断结果,其中,所述人体关键点检测网络用于表征人体特征区域与人体关键点位置以及人体关键点是否属于人体的判断结果的对应关系。
12.根据权利要求11所述的装置,其中,所述人体检测网络包括第一卷积神经网络和第二卷积神经网络。
13.根据权利要求12所述的装置,其中,所述人体检测单元包括:
特征提取单元,用于将所述第一特征图导入所述第一卷积神经网络,得到第二特征图,其中,所述第一卷积神经网络用于表征第一特征图和第二特征图的对应关系;
概率图生成单元,用于将所述第二特征图导入所述第二卷积神经网络,得到概率图,其中,所述概率图中的每一个像素值表示该区域是人体的概率,所述第二卷积神经网络用于表征特征图与概率图的对应关系;
区域获取单元,用于获取所述第一特征图中的、与所述概率图中像素值大于预定第一概率阈值的位置对应的区域作为人体特征区域。
14.根据权利要求13所述的装置,其中,所述区域获取单元进一步用于:
计算所述概率图与所述第一特征图的第一比例关系;
根据所述第一比例关系,从所述第一特征图中获取人体特征区域。
15.根据权利要求14所述的装置,其中,所述人体边框获取单元进一步用于:
计算所述第一特征图与所述待检测图像的第二比例关系;
根据所述人体特征区域的顶点坐标和所述第二比例关系,确定所述人体特征区域的顶点在所述待检测图像的对应坐标;
根据所述人体特征区域的顶点在所述待检测图像的对应坐标确定所述待检测图像中的人体边框。
16.根据权利要求9所述的装置,其中,所述装置还包括模型训练单元,所述模型训练单元用于:
获取样本集,其中,样本为包括标注信息的样本图像,标注信息为样本图像中人体图像所对应人体的人体边框、人体关键点位置以及人体关键点是否属于人体的判断结果;
利用所述样本集,训练初始卷积神经网络,得到所述人体关键点检测模型。
17.一种终端,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711440851.8A CN108038469B (zh) | 2017-12-27 | 2017-12-27 | 用于检测人体的方法和装置 |
US16/130,239 US11163991B2 (en) | 2017-12-27 | 2018-09-13 | Method and apparatus for detecting body |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711440851.8A CN108038469B (zh) | 2017-12-27 | 2017-12-27 | 用于检测人体的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038469A true CN108038469A (zh) | 2018-05-15 |
CN108038469B CN108038469B (zh) | 2019-10-25 |
Family
ID=62097822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711440851.8A Active CN108038469B (zh) | 2017-12-27 | 2017-12-27 | 用于检测人体的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11163991B2 (zh) |
CN (1) | CN108038469B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664948A (zh) * | 2018-05-21 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN109271903A (zh) * | 2018-09-02 | 2019-01-25 | 杭州晶智能科技有限公司 | 基于概率估计的红外图像人体识别方法 |
CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
CN109871764A (zh) * | 2019-01-16 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种异常行为识别方法、装置及存储介质 |
CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110070036A (zh) * | 2019-04-22 | 2019-07-30 | 北京迈格威科技有限公司 | 辅助运动动作训练的方法、装置及电子设备 |
CN110147738A (zh) * | 2019-04-29 | 2019-08-20 | 中国人民解放军海军特色医学中心 | 一种驾驶员疲劳监测预警方法及*** |
CN110197134A (zh) * | 2019-05-13 | 2019-09-03 | 睿视智觉(厦门)科技有限公司 | 一种人体动作检测方法及装置 |
CN110705448A (zh) * | 2019-09-27 | 2020-01-17 | 北京市商汤科技开发有限公司 | 一种人体检测方法及装置 |
CN110770739A (zh) * | 2018-10-31 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 一种基于图像识别的控制方法、装置及控制设备 |
CN110852162A (zh) * | 2019-09-29 | 2020-02-28 | 深圳云天励飞技术有限公司 | 一种人体完整度数据标注方法、装置及终端设备 |
CN110889376A (zh) * | 2019-11-28 | 2020-03-17 | 创新奇智(南京)科技有限公司 | 一种基于深度学习的安全帽佩戴检测***及方法 |
CN111008631A (zh) * | 2019-12-20 | 2020-04-14 | 浙江大华技术股份有限公司 | 图像的关联方法及装置、存储介质和电子装置 |
CN111126105A (zh) * | 2018-10-31 | 2020-05-08 | 北京猎户星空科技有限公司 | 人体关键点检测方法和装置 |
CN111507286A (zh) * | 2020-04-22 | 2020-08-07 | 北京爱笔科技有限公司 | 一种假人检测方法及装置 |
CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
CN111832526A (zh) * | 2020-07-23 | 2020-10-27 | 浙江蓝卓工业互联网信息技术有限公司 | 一种行为检测方法及装置 |
CN111860067A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于获取跟踪轨迹的方法及装置 |
CN111985266A (zh) * | 2019-05-21 | 2020-11-24 | 顺丰科技有限公司 | 尺度图确定方法、装置、设备及存储介质 |
CN112190227A (zh) * | 2020-10-14 | 2021-01-08 | 上海鹰瞳医疗科技有限公司 | 眼底相机及其使用状态检测方法 |
CN112418184A (zh) * | 2020-12-14 | 2021-02-26 | 杭州魔点科技有限公司 | 基于鼻部特征的人脸检测方法、装置、电子设备及介质 |
WO2021068589A1 (zh) * | 2019-10-09 | 2021-04-15 | 东软睿驰汽车技术(沈阳)有限公司 | 一种图像中物体及其关键点的确定方法和装置 |
CN114038009A (zh) * | 2021-10-26 | 2022-02-11 | 深圳市华安泰智能科技有限公司 | 一种基于人体骨骼关键点的图像数据采集分析*** |
WO2023077897A1 (zh) * | 2021-11-05 | 2023-05-11 | 通号通信信息集团有限公司 | 人体检测方法及装置、电子设备、计算机可读存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288804B (zh) * | 2019-07-25 | 2024-07-02 | 杭州海康威视数字技术股份有限公司 | 一种目标定位的方法及装置 |
CN110705365A (zh) * | 2019-09-06 | 2020-01-17 | 北京达佳互联信息技术有限公司 | 一种人体关键点检测方法、装置、电子设备及存储介质 |
CN110738639B (zh) * | 2019-09-25 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
CN111538861B (zh) * | 2020-04-22 | 2023-08-15 | 浙江大华技术股份有限公司 | 基于监控视频进行图像检索的方法、装置、设备及介质 |
US11664090B2 (en) * | 2020-06-11 | 2023-05-30 | Life Technologies Corporation | Basecaller with dilated convolutional neural network |
CN113706600A (zh) * | 2021-08-19 | 2021-11-26 | 北京欧应信息技术有限公司 | 用于测量身体部位的关键尺寸的方法、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7305106B2 (en) * | 2003-11-14 | 2007-12-04 | Konica Minolta Holdings, Inc. | Object detection apparatus, object detection method and recording medium |
CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
CN106778614A (zh) * | 2016-12-16 | 2017-05-31 | 中新智擎有限公司 | 一种人体识别方法和装置 |
CN106780612A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像中的物体检测方法及装置 |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN107273846A (zh) * | 2017-06-12 | 2017-10-20 | 江西服装学院 | 一种人体体型参数确定方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9412010B2 (en) * | 2011-07-15 | 2016-08-09 | Panasonic Corporation | Posture estimation device, posture estimation method, and posture estimation program |
CN107239728B (zh) * | 2017-01-04 | 2021-02-02 | 赛灵思电子科技(北京)有限公司 | 基于深度学习姿态估计的无人机交互装置与方法 |
-
2017
- 2017-12-27 CN CN201711440851.8A patent/CN108038469B/zh active Active
-
2018
- 2018-09-13 US US16/130,239 patent/US11163991B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7305106B2 (en) * | 2003-11-14 | 2007-12-04 | Konica Minolta Holdings, Inc. | Object detection apparatus, object detection method and recording medium |
CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
CN106778614A (zh) * | 2016-12-16 | 2017-05-31 | 中新智擎有限公司 | 一种人体识别方法和装置 |
CN106780612A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像中的物体检测方法及装置 |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
CN107273846A (zh) * | 2017-06-12 | 2017-10-20 | 江西服装学院 | 一种人体体型参数确定方法及装置 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664948A (zh) * | 2018-05-21 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN108664948B (zh) * | 2018-05-21 | 2022-12-27 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN109271903A (zh) * | 2018-09-02 | 2019-01-25 | 杭州晶智能科技有限公司 | 基于概率估计的红外图像人体识别方法 |
CN111126105A (zh) * | 2018-10-31 | 2020-05-08 | 北京猎户星空科技有限公司 | 人体关键点检测方法和装置 |
WO2020087383A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳市大疆创新科技有限公司 | 一种基于图像识别的控制方法、装置及控制设备 |
CN110770739A (zh) * | 2018-10-31 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 一种基于图像识别的控制方法、装置及控制设备 |
CN111126105B (zh) * | 2018-10-31 | 2023-06-30 | 北京猎户星空科技有限公司 | 人体关键点检测方法和装置 |
CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
CN109871764A (zh) * | 2019-01-16 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种异常行为识别方法、装置及存储介质 |
CN109902659B (zh) * | 2019-03-15 | 2021-08-20 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
CN110070036A (zh) * | 2019-04-22 | 2019-07-30 | 北京迈格威科技有限公司 | 辅助运动动作训练的方法、装置及电子设备 |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110147738A (zh) * | 2019-04-29 | 2019-08-20 | 中国人民解放军海军特色医学中心 | 一种驾驶员疲劳监测预警方法及*** |
CN111860067A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于获取跟踪轨迹的方法及装置 |
CN110197134A (zh) * | 2019-05-13 | 2019-09-03 | 睿视智觉(厦门)科技有限公司 | 一种人体动作检测方法及装置 |
CN111985266B (zh) * | 2019-05-21 | 2024-06-07 | 顺丰科技有限公司 | 尺度图确定方法、装置、设备及存储介质 |
CN111985266A (zh) * | 2019-05-21 | 2020-11-24 | 顺丰科技有限公司 | 尺度图确定方法、装置、设备及存储介质 |
CN110705448A (zh) * | 2019-09-27 | 2020-01-17 | 北京市商汤科技开发有限公司 | 一种人体检测方法及装置 |
CN110705448B (zh) * | 2019-09-27 | 2023-01-20 | 北京市商汤科技开发有限公司 | 一种人体检测方法及装置 |
CN110852162A (zh) * | 2019-09-29 | 2020-02-28 | 深圳云天励飞技术有限公司 | 一种人体完整度数据标注方法、装置及终端设备 |
WO2021068589A1 (zh) * | 2019-10-09 | 2021-04-15 | 东软睿驰汽车技术(沈阳)有限公司 | 一种图像中物体及其关键点的确定方法和装置 |
CN110889376A (zh) * | 2019-11-28 | 2020-03-17 | 创新奇智(南京)科技有限公司 | 一种基于深度学习的安全帽佩戴检测***及方法 |
CN111008631A (zh) * | 2019-12-20 | 2020-04-14 | 浙江大华技术股份有限公司 | 图像的关联方法及装置、存储介质和电子装置 |
CN111008631B (zh) * | 2019-12-20 | 2023-06-16 | 浙江大华技术股份有限公司 | 图像的关联方法及装置、存储介质和电子装置 |
CN111507286A (zh) * | 2020-04-22 | 2020-08-07 | 北京爱笔科技有限公司 | 一种假人检测方法及装置 |
CN111507286B (zh) * | 2020-04-22 | 2023-05-02 | 北京爱笔科技有限公司 | 一种假人检测方法及装置 |
CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
CN111832526A (zh) * | 2020-07-23 | 2020-10-27 | 浙江蓝卓工业互联网信息技术有限公司 | 一种行为检测方法及装置 |
CN111832526B (zh) * | 2020-07-23 | 2024-06-11 | 浙江蓝卓工业互联网信息技术有限公司 | 一种行为检测方法及装置 |
CN112190227A (zh) * | 2020-10-14 | 2021-01-08 | 上海鹰瞳医疗科技有限公司 | 眼底相机及其使用状态检测方法 |
CN112418184A (zh) * | 2020-12-14 | 2021-02-26 | 杭州魔点科技有限公司 | 基于鼻部特征的人脸检测方法、装置、电子设备及介质 |
CN114038009A (zh) * | 2021-10-26 | 2022-02-11 | 深圳市华安泰智能科技有限公司 | 一种基于人体骨骼关键点的图像数据采集分析*** |
WO2023077897A1 (zh) * | 2021-11-05 | 2023-05-11 | 通号通信信息集团有限公司 | 人体检测方法及装置、电子设备、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20190197299A1 (en) | 2019-06-27 |
CN108038469B (zh) | 2019-10-25 |
US11163991B2 (en) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038469B (zh) | 用于检测人体的方法和装置 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN107609536A (zh) | 信息生成方法和装置 | |
CN107679490A (zh) | 用于检测图像质量的方法和装置 | |
CN107590807A (zh) | 用于检测图像质量的方法和装置 | |
CN107578017A (zh) | 用于生成图像的方法和装置 | |
CN107578034A (zh) | 信息生成方法和装置 | |
CN107644209A (zh) | 人脸检测方法和装置 | |
CN107633218A (zh) | 用于生成图像的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN107168952A (zh) | 基于人工智能的信息生成方法和装置 | |
CN108229268A (zh) | 表情识别及卷积神经网络模型训练方法、装置和电子设备 | |
CN107563123A (zh) | 用于标注医学图像的方法和装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN107832305A (zh) | 用于生成信息的方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN107622240A (zh) | 人脸检测方法和装置 | |
CN108776786A (zh) | 用于生成用户真伪识别模型的方法和装置 | |
CN107622252A (zh) | 信息生成方法和装置 | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
CN108256591A (zh) | 用于输出信息的方法和装置 | |
CN108960316A (zh) | 用于生成模型的方法和装置 | |
CN107679466A (zh) | 信息输出方法和装置 | |
CN109472264A (zh) | 用于生成物体检测模型的方法和装置 | |
CN107644208A (zh) | 人脸检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |