CN109685041B - 图像分析方法及装置、电子设备和存储介质 - Google Patents

图像分析方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109685041B
CN109685041B CN201910063728.1A CN201910063728A CN109685041B CN 109685041 B CN109685041 B CN 109685041B CN 201910063728 A CN201910063728 A CN 201910063728A CN 109685041 B CN109685041 B CN 109685041B
Authority
CN
China
Prior art keywords
level
result
target object
relationship
attitude
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.)
Active
Application number
CN201910063728.1A
Other languages
English (en)
Other versions
CN109685041A (zh
Inventor
冯伟
刘文韬
李通
钱晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910063728.1A priority Critical patent/CN109685041B/zh
Publication of CN109685041A publication Critical patent/CN109685041A/zh
Application granted granted Critical
Publication of CN109685041B publication Critical patent/CN109685041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像分析方法及装置、电子设备和存储介质，所述方法包括：对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。本公开实施例通过图像中目标对象的行为特征以及姿态特征对目标对象进行关系识别，从而提高了关系识别的准确度。

Description

图像分析方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像分析方法及装置、电子设备和存储介质。
背景技术
在图像理解和人机交互等领域，人与物体关系识别和人体姿态估计得到了广泛应用。但是，传统的人与物体关系识别方法仅仅依赖于人的外表特征，识别结果容易受到外表特征变化的影响，而传统的人体姿态估计方法也往往独立地预测每个人体关键点，忽略了关键点之间的位置关系，容易受到遮挡、误检等因素的影响。
发明内容
本公开提出了一种图像分析的技术方案。
根据本公开的第一方面，提供了一种图像分析方法，所述方法包括：对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。
在一种可能的实现方式中，所述方法还包括：根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。
在一种可能的实现方式中，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果，N为大于1的整数，其中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，包括：根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
在一种可能的实现方式中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，还包括：在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
在一种可能的实现方式中，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，包括：根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
在一种可能的实现方式中，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，还包括：在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，n为整数且1<n<N；根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
在一种可能的实现方式中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，包括：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
在一种可能的实现方式中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，还包括：根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
在一种可能的实现方式中，所述第n级的关系识别结果还包括第n级的中间关系特征，其中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，还包括：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
在一种可能的实现方式中，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，包括：基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
在一种可能的实现方式中，所述第n级的姿态估计结果还包括第n级的中间姿态特征，其中，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，还包括：对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
在一种可能的实现方式中，所述特征信息还包括外表特征，其中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，包括：根据所述外表特征、行为特征及姿态特征，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果。
在一种可能的实现方式中，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，包括：根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括关系识别网络和姿态估计网络，其中，所述关系识别网络用于对所述特征信息进行关系识别，所述姿态估计网络用于对所述关系识别结果以及所述姿态特征进行姿态估计。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括N级关系识别网络和N级姿态估计网络，其中，第n级的关系识别网络用于对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行关系识别，第n级的姿态估计网络用于对第n级的关系识别结果以及第n-1级的姿态估计结果进行姿态估计。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括特征提取网络，所述特征提取网络用于对待分析图像进行特征提取。
在一种可能的实现方式中，所述方法还包括：根据预设的训练集，训练所述神经网络。
在一种可能的实现方式中，所述行为信息包括所述目标对象当前的行为的置信度。
根据本公开的第二方面，提供了一种图像分析装置，包括：特征提取模块，用于对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；关系识别模块，用于根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。
在一种可能的实现方式中，所述装置还包括：第一姿态估计模块，用于根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。
在一种可能的实现方式中，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果，N为大于1的整数，其中，所述关系识别模块，包括：第一关系识别子模块，用于根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；第二关系识别子模块，用于在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
在一种可能的实现方式中，所述关系识别模块，还包括：第三关系识别子模块，用于在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；第四关系识别子模块，用于根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
在一种可能的实现方式中，所述第一姿态估计模块，包括：第一姿态估计子模块，用于根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；第二姿态估计子模块，用于在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
在一种可能的实现方式中，所述第一姿态估计模块，还包括：第三姿态估计子模块，用于在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，n为整数且1<n<N；第四姿态估计子模块，用于根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
在一种可能的实现方式中，所述第三关系识别子模块用于：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
在一种可能的实现方式中，所述第三关系识别子模块还用于：根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
在一种可能的实现方式中，所述第n级的关系识别结果还包括第n级的中间关系特征，其中，所述第三关系识别子模块还用于：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
在一种可能的实现方式中，所述第三姿态估计子模块用于：基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
在一种可能的实现方式中，所述第n级的姿态估计结果还包括第n级的中间姿态特征，其中，所述第三姿态估计子模块还用于：对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
在一种可能的实现方式中，所述特征信息还包括外表特征。
在一种可能的实现方式中，所述装置还包括：第二姿态估计模块，用于根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括关系识别网络和姿态估计网络，其中，所述关系识别网络用于对所述特征信息进行关系识别，所述姿态估计网络用于对所述关系识别结果以及所述姿态特征进行姿态估计。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括N级关系识别网络和N级姿态估计网络，其中，第n级的关系识别网络用于对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行关系识别，第n级的姿态估计网络用于对第n级的关系识别结果以及第n-1级的姿态估计结果进行姿态估计。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括特征提取网络，所述特征提取网络用于对待分析图像进行特征提取。
在一种可能的实现方式中，所述装置还包括：训练模块，用于根据预设的训练集，训练所述神经网络。
在一种可能的实现方式中，所述行为信息包括所述目标对象当前的行为的置信度。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述图像分析方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像分析方法。
在本公开实施例中，通过图像中目标对象的行为特征以及姿态特征对目标对象进行关系识别，得到目标对象的行为得分以及与行为相关的物体的位置信息，从而提高了关系识别的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像分析方法的流程图。
图2示出根据本公开实施例的图像分析方法的流程图。
图3示出根据本公开实施例的神经网络的结构示意图。
图4示出根据本公开实施例的关系识别网络的结构示意图。
图5示出根据本公开实施例的姿态估计网络的结构示意图。
图6示出根据本公开实施例的图像分析装置的框图。
图7示出根据本公开实施例的一种电子设备的框图。
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像分析方法的流程图，如图1所示，所述图像分析方法包括：
在步骤S11中，对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；
在步骤S12中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。
根据本公开的实施例，通过图像中目标对象的行为特征以及姿态特征对目标对象进行关系识别，得到目标对象的行为得分以及与行为相关的物体的位置信息，从而提高了关系识别的准确度。
在一种可能的实现方式中，所述图像分析方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，所述待分析图像可以是终端或服务器中预先存储的图像或从网络下载的图像，也可以是通过拍摄部件采集的图像。例如，在进行人机交互或互动娱乐的过程中，可以通过拍摄部件(例如摄像头)采集图像。所述待分析图像中可以有一个或多个目标对象(人或物体)以及与所述目标对象进行交互的一个或多个物体。本公开对待分析图像的类型及获取方式不作限制。在一种可能的实现方式中，目标对象可以是人或动物等对象，所述特征信息可包括行为特征(初步的行为特征)及姿态特征(初步的姿态特征)。其中，行为特征和姿态特征可例如包括目标对象的多个人体关键点的位置。
在一种可能的实现方式中，可以在步骤S11中对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息。本公开对特征提取的方式不作限制。
在一种可能的实现方式中，在根据本公开实施例的图像分析方法通过神经网络实现时，可通过特征提取网络对待分析图像进行特征提取。应当理解，特征提取网络可例如是卷积神经网络、深度神经网络等，本公开对特征提取网络的具体类型不作限制。
举例来说，特征提取网络可例如包括多个卷积层以及全连接层等。可以将待分析图像输入特征提取网络中，提取待分析图像的特征图并确定出一个或多个人体区域，其中，每个人体区域中可以包含目标对象(人体)；然后对人体区域的特征图进行不同的处理，分别得到目标对象的行为特征(可例如经过卷积及全连接处理得到)和姿态特征(可例如经过卷积处理得到)。
在一种可能的实现方式中，根据目标对象的特征信息，可以在步骤S12中对所述目标对象进行关系识别，得到所述目标对象的关系识别结果。所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。
在一种可能的实现方式中，所述行为信息可包括目标对象当前的行为的置信度。例如，待分析图像中的人当前的行为是“踢足球”的置信度(例如60％)。应当理解，行为信息也可以包括目标对象当前进行某种行为的概率或者得分等信息，本公开对行为信息的具体内容不作限制。
在一种可能的实现方式中，与行为相关的物体的位置信息可包括与目标对象当前的行为相关联的物体在待分析图像中的图像位置(区域)。例如，在待分析图像中的人当前的行为是“踢足球”的情况下，与该行为相关的物体为“足球”，可根据待分析图像中“足球”的位置来确定所述位置信息。
在一种可能的实现方式中，在根据本公开实施例的图像分析方法通过神经网络实现时，可通过关系识别网络对所述目标对象进行关系识别。关系识别网络可例如是卷积神经网络CNN，本公开对关系识别网络的具体类型不作限制。
举例来说，可以将特征信息(行为特征和姿态特征)输入关系识别网络中进行行为识别，得到目标对象的每种行为动作的行为信息(例如置信度)；根据行为信息以及人体区域的位置，可以得到与行为相关的物体的位置信息。在待分析图像中，目标对象的每种行为都有相关的物体与其对应，因此，关系识别结果可以包含多组行为信息以及与行为相关物体的位置信息。
图2示出根据本公开实施例的图像分析方法的流程图。如图2所示，所述方法还可包括：
在步骤S13中，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。也就是说，可将关系识别结果和姿态特征同时作为输入，进行姿态估计，得到目标对象的姿态估计结果。
在一种可能的实现方式中，在根据本公开实施例的图像分析方法通过神经网络实现时，可通过姿态估计网络对所述目标对象进行姿态估计。姿态估计网络可例如是卷积神经网络CNN等，本公开对姿态估计网络的具体类型不作限制。
举例来说，姿态估计网络可以对输入的关系识别结果(行为信息和/或与行为相关的物体的位置信息)以及姿态特征进行处理(可例如卷积及激活等处理)，得到姿态估计结果，其中，姿态估计结果可至少包括目标对象的姿态信息(例如人体关键点的位置)。
通过这种方式，将关系识别结果作为姿态估计的输入，使得人体关键点之间的位置关系更加明确，从而提高姿态估计的准确度。
在一种可能的实现方式中，可以以涡轮学习的方式(涡轮学习架构)，将关系识别与姿态估计相结合，对待分析图像进行多次关系识别和姿态估计。可以将姿态估计的结果作为关系识别的输入；再将关系识别的结果作为姿态估计的输入，进行多次迭代。该过程类似于发动机的涡轮增压器，将输出反馈给输入，再利用废气提高发动机效率，反馈过程可以逐步改善这两项任务的结果，同时提高关系识别及姿态估计的准确度。
在一种可能的实现方式中，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果。N为大于1的整数，例如N＝3。本公开对N的具体取值不作限制。
在一种可能的实现方式中，步骤S12可包括：根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；
在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
举例来说，可以对待分析图像进行N级关系识别。在第一级关系识别中，可根据特征信息(行为特征及姿态特征)对目标对象进行关系识别，得到第一级的关系识别结果(行为信息和/或与行为相关的物体的位置信息)；在第二级关系识别中，可根据第一级的关系识别结果和第一级的姿态估计结果，对目标对象进行关系识别，得到第二级的关系识别结果。在在N等于2的情况下，可以将第二级的关系识别结果作为最终的输出结果。
在一种可能的实现方式中，步骤S12还可包括：
在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；
根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
举例来说，在N大于2的情况下，在第n(1<n<N)级关系识别中，可以根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对目标对象进行关系识别，得到第n级的关系识别结果，其中，第n级可以是第二级至第N-1级中的任一级；在第N级关系识别中，可以根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对目标对象进行关系识别，得到第N级的关系识别结果。
在一种可能的实现方式中，在根据本公开实施例的图像分析方法通过神经网络实现时，神经网络可包括用于对所述目标对象进行关系识别的N级关系识别网络。本公开对N级关系识别网络的具体类型不作限制。
通过上述方式，可以将姿态估计结果作为关系识别的输入，使得关系识别过程中不仅依赖人的外表特征，还依赖更精细的人体姿态特征，从而避免人的外表差异的影响，提高关系识别的精准度。
在一种可能的实现方式中，步骤S13可包括：根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；
在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
举例来说，可以对待分析图像进行N级姿态估计。在第一级姿态估计中，可以根据第一级的关系识别结果(行为信息和/或与行为相关的物体的位置信息)以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果(姿态信息)；在第二级姿态估计中，可根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。在N等于2的情况下，可将第二级的姿态估计结果作为最终的输出结果。
在一种可能的实现方式中，步骤S13还可包括：
在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果；
根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
举例来说，在N大于2的情况下，在第n(1<n<N)级姿态估计中，可以根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，其中，第n级可以是第二级至第N-1级中的任一级；在第N级姿态估计中，可以根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
在一种可能的实现方式中，在根据本公开实施例的图像分析方法通过神经网络实现时，神经网络可包括用于对所述目标对象进行姿态估计的N级姿态估计网络。本公开对N级姿态估计网络的具体类型不作限制。
通过上述方式，可以在姿态估计过程中依赖人的外表特征的同时还依赖人的行为及与行为相关的物体的位置信息，从而使得人体关键点之间的位置关系更明确，提高姿态估计的精准度。
图3示出根据本公开实施例的神经网络的结构示意图。如图3所述，神经网络可包括N级关系识别网络：第一级的关系识别网络31、第二级的关系识别网络32、…、第N级的关系识别网络33。神经网络还可包括N级姿态估计网络：第一级的姿态估计网络61、第二级的姿态估计网络62、…、第N级的姿态估计网络63。
在一种可能的实现方式中，在关系识别的第一级，可将通过特征提取网络34从待分析图像中获取的目标对象的初步的行为特征
Figure BDA0001954992390000121
和初步的姿态特征
Figure BDA0001954992390000122
输入第一级的关系识别网络31中处理，得到第一级的关系识别结果
Figure BDA0001954992390000123
第一级的关系识别结果
Figure BDA0001954992390000124
包括目标对象的行为信息
Figure BDA0001954992390000125
以及与行为相关的物体的位置信息
Figure BDA0001954992390000131
在一种可能的实现方式中，在关系识别的第二级，可将第一级的关系识别结果
Figure BDA0001954992390000132
和第一级的姿态估计结果
Figure BDA0001954992390000133
输入第二级的关系识别网络32中处理，得到第二级的关系识别结果
Figure BDA0001954992390000134
在关系识别的第n级，可将第n-1级的关系识别结果以及第n-1级的姿态识别结果输入第n级的关系识别网络进行关系识别，得到第n级的关系识别结果。
在一种可能的实现方式中，在关系识别的第N级，可将第N-1级的关系识别结果
Figure BDA0001954992390000135
以及第N-1级的姿态识别结果
Figure BDA0001954992390000136
输入第N级的关系识别网络33中处理，得到第N级的关系识别结果
Figure BDA0001954992390000137
(包括
Figure BDA0001954992390000138
和
Figure BDA0001954992390000139
)，并将关系识别结果
Figure BDA00019549923900001310
和
Figure BDA00019549923900001311
作为图像分析的输出。
通过这种方式，利用人与物体关系识别和人体姿态估计的高度相关性，以涡轮学习的方式迭代地优化人与物体关系识别的识别结果，能够逐步提升识别精度。
图4示出根据本公开实施例的关系识别网络的结构示意图。如图4所示，在一种可能的实现方式中，关系识别网络可包括全连接、卷积等运算，可对目标对象进行行为识别以及关系识别。
在一种可能的实现方式中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果的步骤可包括：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；
对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
如图4所示，在关系识别网络中，可首先对输入的第n-1级的关系识别结果
Figure BDA00019549923900001312
和第n-1级的姿态识别结果
Figure BDA00019549923900001313
进行全连接处理，得到n级的连接特征(如图4中41所示)；然后对第n级的连接特征进行行为识别，得到第n级的行为信息
Figure BDA00019549923900001314
其中，可通过如下的公式(1)来获取连接特征h：
Figure BDA00019549923900001315
公式(1)中，[]表示特征图的连接，I()表示全连接操作。
通过这种方式，可利用连接后的关系识别结果和姿态识别结果进行行为识别，提高行为识别的精准度。
在一种可能的实现方式中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果的步骤，还可包括：
根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
如图4所示，在关系识别网络中，可根据第n级的行为信息，对第n级的连接特征进行关系识别，得到第n级的位置信息
Figure BDA0001954992390000141
通过这种方式，可利用连接后的关系识别结果和姿态识别结果进行关系识别，提高关系识别的精准度。
在一种可能的实现方式中，所述第n级的关系识别结果还包括第n级的中间关系特征，
其中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果的步骤，还包括：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
如图4所示，在关系识别网络中，可对第n-1级的关系识别结果
Figure BDA0001954992390000142
和第n-1级的姿态识别结果
Figure BDA0001954992390000143
进行全连接及卷积处理，得到第n级的中间关系特征
Figure BDA0001954992390000144
根据第n级的识别结果
Figure BDA0001954992390000145
(包括第n级的行为信息
Figure BDA0001954992390000146
和第n级的位置信息
Figure BDA0001954992390000147
)以及第n级的中间关系特征
Figure BDA0001954992390000148
得到第n级的关系识别结果
Figure BDA0001954992390000149
通过这种方式，可在关系识别结果中加入前一级的识别结果(中间关系特征)，避免特征丢失，进一步提高了关系识别的精准度。
在一种可能的实现方式中，如图3所示，可通过N级姿态估计网络进行姿态估计。在姿态估计的第一级，可将目标对象的第一级的关系识别结果
Figure BDA00019549923900001410
和初步的姿态特征
Figure BDA00019549923900001411
输入第一级的姿态估计网络61中处理，得到第一级的姿态估计结果
Figure BDA00019549923900001412
在姿态估计的第二级，可将第二级的关系识别结果
Figure BDA00019549923900001413
和第一级的姿态估计结果
Figure BDA00019549923900001414
输入第二级的姿态估计网络62中处理，得到第二级的姿态特征
Figure BDA00019549923900001415
在一种可能的实现方式中，在姿态估计的第N级，可将第N级的关系识别结果
Figure BDA0001954992390000151
以及第N-1级的识别结果
Figure BDA0001954992390000152
输入第N级的姿态估计网络63中处理，得到第N级的姿态估计结果
Figure BDA0001954992390000153
并将姿态估计结果
Figure BDA0001954992390000154
作为图像分析的输出。
通过这种方式，利用人与物体关系识别和人体姿态估计的高度相关性，迭代地优化姿态估计的识别结果，能够逐步提升识别精度。
图5示出根据本公开实施例的姿态估计网络的结构示意图。如图5所示，在一种可能的实现方式中，姿态估计网络可包括全连接、卷积、激活以及点乘等运算，可对目标对象进行姿态估计。
在一种可能的实现方式中，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果的步骤，可包括：
基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；
对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；
对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
举例来说，在姿态估计网络中，可以首先基于注意力机制，对第n级的关系识别结果
Figure BDA0001954992390000155
进行卷积及激活处理，得到第n级的注意力图Attaction(如图5中51所示)。如公式(2)所示：
Figure BDA0001954992390000156
公式(2)中，sigmoid表示激活函数，R()表示变形操作。
在一种可能的实现方式中，可对第n级的注意力图、第n-1级的姿态估计结果
Figure BDA0001954992390000157
进行点乘，得到第n级的输入特征p，如公式(3)所示：
Figure BDA0001954992390000158
在一种可能的实现方式中，在姿态估计网络中，可对第n级的输入特征p进行姿态估计，得到第n级的姿态信息
Figure BDA0001954992390000159
在一种可能的实现方式中，所述第n级的姿态估计结果还包括第n级的中间姿态特征，
其中，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果的步骤，还可包括：
对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
也就是说，对第n级的输入特征p进行卷积处理，得到第n级的中间姿态特征
Figure BDA0001954992390000161
根据第n级的姿态信息
Figure BDA0001954992390000162
以及第n级的中间姿态特征
Figure BDA0001954992390000163
得到第n级的姿态估计结果
Figure BDA0001954992390000164
如上所述，涡轮学习架构的每一级可包括一级关系识别网络和一级姿态估计网络，可将前一级的输出作为后一级的输入。第n级的输入tn可如公式(4)所示：
Figure BDA0001954992390000165
通过这样多次迭代，可以逐步改善关系识别任务及姿态估计任务的结果，同时提高关系识别及姿态估计的准确度。
在一种可能的实现方式中，在使用神经网络(包括特征提取网络、N级关系识别网络以及N级姿态估计网络)对待分析图像进行图像分析前，可对神经网络进行训练。
在一种可能的实现方式中，所述方法还包括：根据预设的训练集，训练所述神经网络。在训练过程中，可按照使损失函数最小化的方向来调整网络参数值，当损失函数降低到一定程度或收敛于一定阈值内时，停止调整，获得调整后的N级神经网络。本公开对训练过程中使用的损失函数不作限制。
在一种可能的实现方式中，可以使用以下损失函数来对神经网络进行训练：
Figure BDA0001954992390000166
在公式(5)中，L表示神经网络的总损失，N表示关系识别网络及姿态估计网络的级数，
Figure BDA0001954992390000167
表示第i级姿态估计网络的损失，
Figure BDA0001954992390000168
表示第i级姿态估计网络的权重，
Figure BDA0001954992390000169
表示第i级关系识别网络的损失，
Figure BDA00019549923900001610
表示第i级关系识别网络的权重，1≤i≤N，Ldet表示目标检测网络的损失。其中，目标检测网络用于确定目标对象在待分析图像中的区域，本公开对目标检测网络的网络结构不作限制。
通过使用公式(5)所述的损失函数对神经网络进行训练，获得调整后的神经网络，可以提高神经网络进行图像分析时的性能。
在一种可能的实现方式中，特征信息还可包括外表特征，其中，外表特征可例如包括人的穿着、外貌等特征。在步骤S11中对待分析图像进行特征提取时，可以提取目标对象的外表特征。例如，可提取待分析图像的特征图并确定出一个或多个人体区域，对人体区域进行分析，可得到目标对象的外表特征。
在一种可能的实现方式中，步骤S12可包括：根据所述外表特征、行为特征及姿态特征，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果。
举例来说，可在对所述目标对象进行关系识别时，加入外表特征作为输入。在对待分析图像进行N级关系识别时，可以将外表特征作为每一级关系识别的输入。例如，在第n级关系识别中，可以根据外表特征、第n-1级的关系识别结果以及第n-1级的姿态估计结果，对目标对象进行关系识别，得到第n级的关系识别结果，其中，第n级可以是第二级至第N-1级中的任一级。
通过这种方式，可在关系识别时引入对象(人物)的外表信息，避免人的外表差异对关系识别结果的影响，进一步提高关系识别的精度。
在一种可能的实现方式中，步骤S13可包括：根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
举例来说，可在对所述目标对象进行姿态估计时，加入外表特征作为输入。在对待分析图像进行N级姿态估计时，可以将外表特征作为每一级姿态估计的输入。例如，在第n级姿态估计中，可以根据外表特征、第n级的关系识别结果以及第n-1级的姿态估计结果，对目标对象进行姿态估计，得到第n级的姿态估计结果，其中，第n级可以是第二级至第N-1级中的任一级。
通过这种方式，可在姿态估计时引入对象(人物)的外表信息，避免人的外表差异对姿态估计结果的影响，进一步提高姿态估计的精度。
同样地，在特征信息包括外表特征，且采用涡轮学习架构同时进行关系识别和姿态估计的情况下，涡轮学习架构的第n级的输入tn可如公式(6)所示：
Figure BDA0001954992390000171
通过这种方式，可以在迭代过程中引入外表特征，避免人的外表差异对结果的影响，进一步提高关系识别及姿态估计的准确度。
根据本公开实施例的图像分析方法，能够获得图像中所有人(对象)与物体的位置，每个人与其所交互的物体的位置关系，以及该人的人体关键点位置(姿态特征)，增强了人与物体关系识别和人体姿态估计对人的外表差异的鲁棒性，可以得到更准确的识别结果。根据本公开的实施例可应用于人机交互类产品，互动娱乐产品等产品及相应的使用场景中，提高交互行为识别的准确性。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图6示出根据本公开实施例的图像分析装置的框图，如图6所示，所述装置包括：
特征提取模块71，用于对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；
关系识别模块72，用于根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个。
在一种可能的实现方式中，所述装置还包括：第一姿态估计模块，用于根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。
在一种可能的实现方式中，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果，N为大于1的整数，其中，所述关系识别模块72，包括：第一关系识别子模块，用于根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；第二关系识别子模块，用于在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
在一种可能的实现方式中，所述关系识别模块72，还包括：第三关系识别子模块，用于在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；第四关系识别子模块，用于根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
在一种可能的实现方式中，所述第一姿态估计模块，包括：第一姿态估计子模块，用于根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；第二姿态估计子模块，用于在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
在一种可能的实现方式中，所述第一姿态估计模块，还包括：第三姿态估计子模块，用于在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，n为整数且1<n<N；第四姿态估计子模块，用于根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
在一种可能的实现方式中，所述第三关系识别子模块用于：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
在一种可能的实现方式中，所述第三关系识别子模块还用于：根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
在一种可能的实现方式中，所述第n级的关系识别结果还包括第n级的中间关系特征，其中，所述第三关系识别子模块还用于：对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
在一种可能的实现方式中，所述第三姿态估计子模块用于：基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
在一种可能的实现方式中，所述第n级的姿态估计结果还包括第n级的中间姿态特征，其中，所述第三姿态估计子模块还用于：对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
在一种可能的实现方式中，所述特征信息还包括外表特征。
在一种可能的实现方式中，所述装置还包括：第二姿态估计模块，用于根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括关系识别网络和姿态估计网络，其中，所述关系识别网络用于对所述特征信息进行关系识别，所述姿态估计网络用于对所述关系识别结果以及所述姿态特征进行姿态估计。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括N级关系识别网络和N级姿态估计网络，其中，第n级的关系识别网络用于对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行关系识别，第n级的姿态估计网络用于对第n级的关系识别结果以及第n-1级的姿态估计结果进行姿态估计。
在一种可能的实现方式中，所述装置包括神经网络，所述神经网络包括特征提取网络，所述特征提取网络用于对待分析图像进行特征提取。
在一种可能的实现方式中，所述装置还包括：训练模块，用于根据预设的训练集，训练所述神经网络。
在一种可能的实现方式中，所述行为信息包括所述目标对象当前的行为的置信度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (36)

1.一种图像分析方法，其特征在于，所述方法包括：
对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；
根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个；
根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。
2.根据权利要求1所述的方法，其特征在于，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果，N为大于1的整数，
其中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，包括：
根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；
在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
3.根据权利要求2所述的方法，其特征在于，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，还包括：
在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；
根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
4.根据权利要求2所述的方法，其特征在于，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，包括：
根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；
在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
5.根据权利要求4所述的方法，其特征在于，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，还包括：
在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，n为整数且1<n<N；
根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
6.根据权利要求3所述的方法，其特征在于，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，包括：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；
对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
7.根据权利要求6所述的方法，其特征在于，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，还包括：
根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
8.根据权利要求6所述的方法，其特征在于，所述第n级的关系识别结果还包括第n级的中间关系特征，
其中，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，还包括：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
9.根据权利要求5所述的方法，其特征在于，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，包括：
基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；
对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；
对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
10.根据权利要求9所述的方法，其特征在于，所述第n级的姿态估计结果还包括第n级的中间姿态特征，
其中，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，还包括：
对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
11.根据权利要求1所述的方法，其特征在于，所述特征信息还包括外表特征，
其中，根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，包括：
根据所述外表特征、行为特征及姿态特征，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果。
12.根据权利要求11所述的方法，其特征在于，根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，包括：
根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
13.根据权利要求1所述的方法，其特征在于，所述方法通过神经网络实现，所述神经网络包括关系识别网络和姿态估计网络，其中，所述关系识别网络用于对所述特征信息进行关系识别，所述姿态估计网络用于对所述关系识别结果以及所述姿态特征进行姿态估计。
14.根据权利要求3所述的方法，其特征在于，所述方法通过神经网络实现，所述神经网络包括N级关系识别网络和N级姿态估计网络，其中，第n级的关系识别网络用于对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行关系识别，第n级的姿态估计网络用于对第n级的关系识别结果以及第n-1级的姿态估计结果进行姿态估计。
15.根据权利要求1所述的方法，其特征在于，所述方法通过神经网络实现，所述神经网络包括特征提取网络，所述特征提取网络用于对待分析图像进行特征提取。
16.根据权利要求13-15中任意一项所述的方法，其特征在于，所述方法还包括：
根据预设的训练集，训练所述神经网络。
17.根据权利要求1-15中任意一项所述的方法，其特征在于，所述行为信息包括所述目标对象当前的行为的置信度。
18.一种图像分析装置，其特征在于，包括：
特征提取模块，用于对待分析图像进行特征提取，获取所述待分析图像中目标对象的特征信息，所述特征信息包括行为特征及姿态特征；
关系识别模块，用于根据所述特征信息，对所述目标对象进行关系识别，得到所述目标对象的关系识别结果，所述关系识别结果包括行为信息以及与行为相关的物体的位置信息中的至少一个；
第一姿态估计模块，用于根据所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果，所述姿态估计结果包括所述目标对象的姿态信息。
19.根据权利要求18所述的装置，其特征在于，所述关系识别结果包括N级的关系识别结果，所述姿态估计结果包括N级的姿态估计结果，N为大于1的整数，
其中，所述关系识别模块，包括：
第一关系识别子模块，用于根据所述特征信息，对所述目标对象进行关系识别，得到第一级的关系识别结果；
第二关系识别子模块，用于在N等于2的情况下，根据第一级的关系识别结果及第一级的姿态估计结果，对所述目标对象进行关系识别，得到第二级的关系识别结果。
20.根据权利要求19所述的装置，其特征在于，所述关系识别模块，还包括：
第三关系识别子模块，用于在N大于2的情况下，根据第n-1级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行关系识别，得到第n级的关系识别结果，n为整数且1<n<N；
第四关系识别子模块，用于根据第N-1级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行关系识别，得到第N级的关系识别结果。
21.根据权利要求19所述的装置，其特征在于，所述第一姿态估计模块，包括：
第一姿态估计子模块，用于根据第一级的关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到第一级的姿态估计结果；
第二姿态估计子模块，用于在N等于2的情况下，根据第二级的关系识别结果以及第一级的姿态估计结果，对所述目标对象进行姿态估计，得到第二级的姿态估计结果。
22.根据权利要求21所述的装置，其特征在于，所述第一姿态估计模块，还包括：
第三姿态估计子模块，用于在N大于2的情况下，根据第n级的关系识别结果以及第n-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第n级的姿态估计结果，n为整数且1<n<N；
第四姿态估计子模块，用于根据第N级的关系识别结果以及第N-1级的姿态估计结果，对所述目标对象进行姿态估计，得到第N级的姿态估计结果。
23.根据权利要求20所述的装置，其特征在于，所述第三关系识别子模块用于：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接处理，得到第n级的连接特征；
对第n级的连接特征进行行为识别处理，得到第n级的行为信息。
24.根据权利要求23所述的装置，其特征在于，所述第三关系识别子模块还用于：
根据所述第n级的行为信息，对第n级的连接特征进行关系识别处理，得到第n级的位置信息。
25.根据权利要求23所述的装置，其特征在于，所述第n级的关系识别结果还包括第n级的中间关系特征，
其中，所述第三关系识别子模块还用于：
对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行全连接及卷积处理，得到第n级的中间关系特征。
26.根据权利要求22所述的装置，其特征在于，所述第三姿态估计子模块用于：
基于注意力机制，对所述第n级的关系识别结果进行卷积及激活处理，得到第n级的注意力图；
对第n级的注意力图及第n-1级的姿态估计结果进行点乘，得到第n级的输入特征；
对第n级的输入特征进行姿态估计，得到第n级的姿态信息。
27.根据权利要求26所述的装置，其特征在于，所述第n级的姿态估计结果还包括第n级的中间姿态特征，
其中，所述第三姿态估计子模块还用于：
对第n级的输入特征进行卷积处理，得到第n级的中间姿态特征。
28.根据权利要求18所述的装置，其特征在于，所述特征信息还包括外表特征。
29.根据权利要求28所述的装置，其特征在于，所述装置还包括：
第二姿态估计模块，用于根据所述外表特征、所述关系识别结果以及所述姿态特征，对所述目标对象进行姿态估计，得到所述目标对象的姿态估计结果。
30.根据权利要求18所述的装置，其特征在于，所述装置包括神经网络，所述神经网络包括关系识别网络和姿态估计网络，其中，所述关系识别网络用于对所述特征信息进行关系识别，所述姿态估计网络用于对所述关系识别结果以及所述姿态特征进行姿态估计。
31.根据权利要求20所述的装置，其特征在于，所述装置包括神经网络，所述神经网络包括N级关系识别网络和N级姿态估计网络，其中，第n级的关系识别网络用于对第n-1级的关系识别结果以及第n-1级的姿态估计结果进行关系识别，第n级的姿态估计网络用于对第n级的关系识别结果以及第n-1级的姿态估计结果进行姿态估计。
32.根据权利要求18所述的装置，其特征在于，所述装置包括神经网络，所述神经网络包括特征提取网络，所述特征提取网络用于对待分析图像进行特征提取。
33.根据权利要求30-32中任意一项所述的装置，其特征在于，所述装置还包括：
训练模块，用于根据预设的训练集，训练所述神经网络。
34.根据权利要求18-32中任意一项所述的装置，其特征在于，所述行为信息包括所述目标对象当前的行为的置信度。
35.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至17中任意一项所述的方法。
36.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至17中任意一项所述的方法。
CN201910063728.1A 2019-01-23 2019-01-23 图像分析方法及装置、电子设备和存储介质 Active CN109685041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910063728.1A CN109685041B (zh) 2019-01-23 2019-01-23 图像分析方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910063728.1A CN109685041B (zh) 2019-01-23 2019-01-23 图像分析方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109685041A CN109685041A (zh) 2019-04-26
CN109685041B true CN109685041B (zh) 2020-05-15

Family

ID=66194386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910063728.1A Active CN109685041B (zh) 2019-01-23 2019-01-23 图像分析方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN109685041B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348335B (zh) * 2019-06-25 2022-07-12 平安科技（深圳）有限公司 行为识别的方法、装置、终端设备及存储介质
CN110705564B (zh) * 2019-09-09 2023-04-18 华为技术有限公司 图像识别的方法和装置
CN111104925B (zh) * 2019-12-30 2022-03-11 上海商汤临港智能科技有限公司 图像处理方法、装置、存储介质和电子设备
CN111601088B (zh) * 2020-05-27 2021-12-21 大连成者科技有限公司 一种基于单目摄像头坐姿识别技术的坐姿监控***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089556B1 (en) * 2017-06-12 2018-10-02 Konica Minolta Laboratory U.S.A., Inc. Self-attention deep neural network for action recognition in surveillance videos
CN108010078B (zh) * 2017-11-29 2020-06-26 中国科学技术大学 一种基于三级卷积神经网络的物体抓取检测方法
CN109241835A (zh) * 2018-07-27 2019-01-18 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN109255296A (zh) * 2018-08-06 2019-01-22 广东工业大学 一种基于深度卷积神经网络的日常人体行为识别方法
CN109034124A (zh) * 2018-08-30 2018-12-18 成都考拉悠然科技有限公司 一种智能监控方法及***
CN109145867B (zh) * 2018-09-07 2021-08-10 北京旷视科技有限公司 人体姿态估计方法、装置、***、电子设备、存储介质

Also Published As

Publication number Publication date
CN109685041A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN111753822B (zh) 文本识别方法及装置、电子设备和存储介质
CN113538519B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110889469B (zh) 图像处理方法及装置、电子设备和存储介质
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN111539410B (zh) 字符识别方法及装置、电子设备和存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN111242303B (zh) 网络训练方法及装置、图像处理方法及装置
CN111881956A (zh) 网络训练方法及装置、目标检测方法及装置和电子设备
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN113361540A (zh) 图像处理方法及装置、电子设备和存储介质
CN114338083A (zh) 控制器局域网络总线异常检测方法、装置和电子设备
CN112001364A (zh) 图像识别方法及装置、电子设备和存储介质
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN112559673A (zh) 语言处理模型的训练方法及装置、电子设备及存储介质
CN113807253A (zh) 人脸识别方法及装置、电子设备和存储介质
CN110929545A (zh) 人脸图像的整理方法及装置
CN110659625A (zh) 物体识别网络的训练方法及装置、电子设备和存储介质
CN111488964A (zh) 图像处理方法及装置、神经网络训练方法及装置
CN113506325B (zh) 图像处理方法及装置、电子设备和存储介质
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质
CN113065361B (zh) 用户亲密度的确定方法及装置、电子设备和存储介质

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