CN113034580B - 图像信息检测方法、装置和电子设备 - Google Patents
图像信息检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113034580B CN113034580B CN202110248659.9A CN202110248659A CN113034580B CN 113034580 B CN113034580 B CN 113034580B CN 202110248659 A CN202110248659 A CN 202110248659A CN 113034580 B CN113034580 B CN 113034580B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- key point
- position information
- body part
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像信息检测方法、装置和电子设备。该方法的一具体实施方式为:获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。通过历史关键点的位置信息即可确定出目标图像中目标人体部位的关键点的位置信息,继而可以确定出目标人体部位的姿态,提高了运算效率,提升了用户体验。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种图像信息检测方法、装置和电子设备。
背景技术
人体目标检测一直是机器视觉研究中的重点。在人体目标检测过程中,可以通过检测目标人体部位的关键点信息确定出人体当前所处的姿态,继而可以为智能监控、行为分析等方面提供基础信息。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种图像信息检测方法、装置和电子设备。
第一方面,本公开实施例提供了一种图像信息检测方法,该方法包括:获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;用于根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
第二方面,本公开实施例提供了一种图像信息检测装置,该装置包括:获取模块,用于获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;确定模块,用于根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现第一方面所述的图像信息检测方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面所述的图像信息检测方法的步骤。
本公开实施例提供的图像信息检测方法、装置和电子设备,通过获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。通过历史关键点的位置信息即可确定出目标图像中目标人体部位的关键点的位置信息,继而可以确定出目标人体部位的姿态,提高了运算效率,提升了用户体验。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为根据本公开的图像信息检测方法的一个实施例的流程图;
图2为根据本公开的图像信息检测方法的另一个实施例的流程示意图;
图3为本公开涉及的检测模型的训练步骤的流程示意图;
图4为根据本公开的图像信息检测装置的一个实施例的结构示意图;
图5为本公开的一个实施例的图像信息检测方法可以应用于其中的示例性***架构;
图6为根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
请参考图1,其示出了根据本公开的图像信息检测方法的一个实施例的流程图,如图1所示,该图像信息检测方法包括以下步骤101至步骤102。
步骤101,获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;
上述目标人体部位例如可以包括头部、手部、脚部等部位。
在一些应用场景中,可以先确定首帧图像中包括的目标人体部位以及该目标人体部位的至少一个关键点的位置信息。之后,可以将该首帧图像确定为第二帧图像的历史图像,将第二帧图像确定为第三帧图像的历史图像。以此类推,可以将每一帧图像的上一帧图像确定为该帧图像对应的历史图像。在历史图像中检测到的关键点可以视为上述历史关键点。当历史图像中的目标人体部位为足部时,历史关键点例如可以为脚趾、脚踝等。
在这些应用场景中,可以通过例如单发多边框检测器(Single ShotMutiBoxDetectior,简称“SSD”)确定图像中包括的目标人体部位,通过卷积姿态机(Convolutional Pose Machines,简称“CPM”)确定目标人体部位的至少一个关键点的位置信息。
上述目标图像可以视为当前时刻待处理的图像。当获取到目标图像之后,可以获取上一时刻处理的历史图像。这里,上一时刻处理的历史图像例如可以包括处理的该目标图像的前一帧图像。
步骤102,根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
当检测到历史图像中至少一个历史关键点的位置信息之后,可以基于这些历史关键点的位置信息,确定目标图像中目标人体部位的多个关键点的位置信息。
确定出这些关键点的位置信息之后,可以确定出目标人体部位当前的姿态。例如,根据历史图像中足部的至少一个历史关键点的位置信息之后,可以确定目标图像中存在的足部的至少一个关键点的位置信息。如果根据这些关键点的位置信息确定了足部当前为正常翘脚状态,可以为足部添加上鞋子的特效,继而可以使用户体验穿上鞋后的效果,为用户是否购买新鞋或制作特殊图像提供一定的便利。
相关技术中,在跟踪目标人体部位时,一般需要确定目标图像中被认为是目标人体部位的局部图像是否确实是目标人体部位的置信度。然后还需要定位目标人体部位的至少一个关键点。这样,需要两个过程(确定上述置信度的过程以及定位关键点的过程)才能确定是否跟踪到目标人体部位,导致跟踪目标人体部位的过程运算效率较低。
在本实施例中,通过首先获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;然后根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。通过历史关键点的位置信息即可确定出目标图像中目标人体部位的关键点的位置信息,继而可以确定出目标人体部位的姿态,提高了运算效率,提升了用户体验。
请参考图2,其示出了根据本公开的图像信息检测方法的一个实施例的流程图,如图2所示,该图像信息检测方法包括以下步骤201至步骤203。
步骤201,获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息。
上述步骤201的实现过程及带来的技术效果可以与图1所示实施例中的步骤101相同或相似,此处不再赘述。
步骤202,根据所述至少一个历史关键点的位置信息,确定所述历史图像中的目标区域图像;
当确定了历史图像中各个历史关键点的位置信息之后,可以基于这些位置信息确定出历史图像中的目标区域图像。这里的目标区域图像可以用于表征目标人体部位。
在一些可选的实现方式中,上述步骤202可以包括以下步骤:
步骤2021,确定包含所述至少一个历史关键点的最小区域图像;
在一些应用场景中,可以将囊括了多个历史关键点的最小局部图像确定为上述最小区域图像。这里的最小区域图像例如可以为包含这些历史关键点的最小矩形区域图像。
步骤2022,基于所述最小区域图像,确定所述历史图像中的目标区域图像。
当确定了最小区域图像之后,可以确定出目标区域图像。在一些应用场景中,可以认为目标人体部位在相邻时刻间的移动范围不大,因而可以将最小区域图像进行放大,得到可能存在目标人体部位的目标区域图像。例如,可以将上述最小矩形区域图像放大2倍,得到可能存在目标人体部位的目标区域图像。
上述步骤2021和步骤2022提供了一种可以确定出目标区域图像的实现方式,可以更为精准、简单地确定出目标区域图像。
步骤203,基于所述目标区域图像,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
确定了目标区域图像之后,可以预测下一时刻的目标图像中目标人体部位的多个关键点的位置信息。
相关技术中,确定上述置信度的过程以及确定关键点的过程通常为不同的、一气呵成的过程,继而在确定上述置信度和关键点时都需要执行确定局部图像的操作,这就使得运行效率较低。
在本实施例中,可以先确定出目标区域图像(局部图像),通过目标区域图像得到目标图像中的关键点的位置信息,将两个过程收敛为一个过程进行运算,提高了运行效率。
在一些可选的实现方式中,上述步骤203包括:将所述目标区域图像输入预先训练好的检测模型中,并根据所述检测模型输出的检测结果确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
上述检测模型可以基于目标区域图像,预测出下一时刻目标人体部位的至少一个关键点的位置信息。在一些应用场景中,检测模型例如可以与上述CPM相似。
在一些可选的实现方式中,所述检测结果包括目标部位置信度、至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度;
上述目标部位置信度可以视为在目标区域图像中检测到目标人体部位的概率。该概率例如可以为0.7、0.8等。
上述至少一个关键点的位置信息可以表征目标人体部位的各个关键点在目标区域图像中的位置。
上述至少一个关键点对应的位置置信度可以视为各点在目标区域图像中确实表征目标人体部位的对应关键点的概率。该概率例如可以包括0.8、0.9、0.7、0.9等。
这样,上述的根据所述检测模型输出的检测结果确定所述目标图像中目标人体部位的至少一个关键点的位置信息,包括:首先,判断所述目标部位置信度是否大于第一预设置信度、所述至少一个关键点对应的位置置信度是否大于第二预设置信度;
当检测模型输出目标部位置信度、至少一个关键点的位置信息、至少一个关键点对应的位置置信度之后,可以判断目标部位置信度是否大于第一预设置信度、所述至少一个关键点对应的位置置信度是否大于第二预设置信度。
上述第一预设置信度例如可以为0.95、0.9等实质上可以满足确定用于检测目标人体部位的局部图像的条件的数值。
上述第二预设置信度例如可以为0.92、0.9等实质上可以用于确定检测出的置信度足够确信的数值。
在一些应用场景中,在判断上述至少一个关键点对应的位置置信度是否大于预设第二预设置信度时,可以计算多个关键点对应的位置置信度的平均值,或者确定出这些位置置信度中的最小值。继而利用上述平均值或者最小值与第二预设置信度进行比较。
然后,若是,将所述至少一个关键点的位置信息确定为所述目标图像中目标人体部位的至少一个关键点的位置信息。
当确定了目标部位置信度大于第一预设置信度、至少一个关键点对应的位置置信度大于第二预设置信度时,可以将一并输出的至少一个关键点的位置信息确定为目标图像中的对应关键点的位置信息。
通过对检测结果的判断过程,可以使输出的关键点的位置信息更加贴近于目标图像中各个关键点的真实位置信息。
在一些可选的实现方式中,所述检测模型对应的初始检测模型包括初始第一任务网络、初始第二任务网络以及初始第三任务网络;
在一些应用场景中,可以通过训练初始检测模型至收敛,得到检测模型。在这些应用场景中,可以通过多任务深度学习方法训练初始检测模型。也即,可以设置确定目标部位置信度的第一任务、确定关键点的位置信息和位置置信度的第二任务(也即,定位关键点的任务)。这样,上述的初始第二任务网络以及初始第三任务网络可以共用初始第一任务网络的输出,并利用第一任务和第二任务之间的相关性相互促进。
请参考图3,其示出了本公开涉及的检测模型的训练步骤的流程示意图,如图3所示,该训练步骤包括以下步骤301至步骤304。
步骤301,获取用于训练的样本图像;
在一些应用场景中,上述样本图像可以包括呈现有目标人体部位的图像,以及没有呈现目标人体部位的图像。通过增加样本图像的多样性,提高检测模型判断图像中是否存在目标人体部位的能力。
步骤302,将所述样本图像作为初始第一任务网络的输入,并将所述初始第一任务网络输出的局部图像分别输入初始第二任务网络和初始第三任务网络;
将样本图像输入初始第一任务网络中,通过初始第一任务网络输出局部图像。当样本图像中呈现有目标人体部位时,这里的局部图像可以为目标人体部位所在的区域图像。
当初始第一任务网络输出局部图像之后,该局部图像可以作为初始第二任务网络和初始第三任务网络的输入。
步骤303,利用所述初始第二任务网络计算所述样本图像中检测到目标人体部位的目标部位置信度;
初始第二任务网络接收到局部图像之后,可以计算出局部图像中是否存在目标人体部位的概率(也即上述目标部位置信度)。
步骤304,利用所述初始第三任务网络检测所述样本图像中至少一个关键点的位置信息,并检测所述至少一个关键点对应的位置置信度,以将所述初始检测模型训练成所述检测模型。
初始第三任务网络接收到局部图像之后,可以检测出局部图像中呈现的目标人体部位的至少一个关键点的位置信息,并计算出各个关键点对应的位置置信度。这里,初始第三任务网络例如可以基于局部图像对应的热图(heatmap)检测出至少一个关键点的位置信息以及各个关键点对应的位置置信度。
这样,上述初始第二任务网络和初始第三任务网络可以共同利用上述初始第一任务网络输出的局部图像。使得初始第二任务网络和初始第三任务网络在计算时可以无需分别确定局部图像,节约了确定局部图像的时间。另外,由于将初始第二任务网络和初始第三任务网络收敛在了同一个模型中,使得基于初始检测模型收敛后的检测模型可以一并输出目标部位置信度、至少一个关键点的位置信息、至少一个关键点对应的位置置信度。
在一些可选的实现方式中,所述检测模型的训练步骤还可以包括:
步骤305,将在所述样本图像中检测到目标人体部位的期望目标部位置信度作为所述初始检测模型的第一期望输出;以及将所述样本图像中呈现的目标人体部位的至少一个关键点的真实位置信息作为所述初始检测模型的第二期望输出;以及将所述至少一个关键点对应的期望位置置信度作为所述初始检测模型的第三期望输出;
上述期望目标部位位置置信度例如可以为1。上述期望位置置信度例如可以为1。通过向初始检测模型输入上述三个期望输出,可以激励初始检测模型输出尽量趋近于期望输出的输出结果,提高检测模型的预测准确性。
步骤306,基于所述目标部位置信度、所述至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度、所述第一期望输出、所述第二期望输出、所述第三期望输出,训练所述初始检测模型至收敛。
通过对多个样本图像的检测,使得初始检测模型可以经过多次学习,继而使输出的检测结果尽量分别贴近于上述第一期望输出、第二期望输出和第三期望输出,直至初始检测模型收敛。通过收敛后的检测模型,可以输出较为准确的预测值,继而在输入目标区域图像时,可以较为准确地预测出目标图像中的目标部位置信度、至少一个关键点的位置信息以及至少一个关键点对应的位置置信度。
请参考图4,其示出了根据本公开的图像信息检测装置的一个实施例的结构示意图,如图4所示,图像信息检测装置包括获取模块401和确定模块402。其中,获取模块401,用于获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;确定模块402,用于根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
需要说明的是,该图像信息检测装置的获取模块401和确定模块402的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101至步骤102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,所述确定模块402进一步用于:根据所述至少一个历史关键点的位置信息,确定所述历史图像中的目标区域图像;基于所述目标区域图像,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
在本实施例的一些可选的实现方式中,所述确定模块402进一步用于:将所述目标区域图像输入预先训练好的检测模型中,并根据所述检测模型输出的检测结果确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
在本实施例的一些可选的实现方式中,所述检测结果包括目标部位置信度、至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度;以及确定模块402进一步用于:判断所述目标部位置信度是否大于第一预设置信度、所述至少一个关键点对应的位置置信度是否大于第二预设置信度;若是,将所述至少一个关键点的位置信息确定为所述目标图像中目标人体部位的至少一个关键点的位置信息。
在本实施例的一些可选的实现方式中,所述检测模型对应的初始检测模型包括初始第一任务网络、初始第二任务网络以及初始第三任务网络;以及所述检测模型基于如下步骤训练:获取用于训练的样本图像;将所述样本图像作为初始第一任务网络的输入,并将所述初始第一任务网络输出的局部图像分别输入初始第二任务网络和初始第三任务网络;利用所述初始第二任务网络计算所述样本图像中检测到目标人体部位的目标部位置信度;利用所述初始第三任务网络检测所述样本图像中至少一个关键点的位置信息,并检测所述至少一个关键点对应的位置置信度,以将所述初始检测模型训练成所述检测模型。
在本实施例的一些可选的实现方式中,所述检测模型的训练步骤还包括:将在所述样本图像中检测到目标人体部位的期望目标部位置信度作为所述初始检测模型的第一期望输出;以及将所述样本图像中呈现的目标人体部位的至少一个关键点的真实位置信息作为所述初始检测模型的第二期望输出;以及将所述至少一个关键点对应的期望位置置信度作为所述初始检测模型的第三期望输出;基于所述目标部位置信度、所述至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度、所述第一期望输出、所述第二期望输出、所述第三期望输出,训练所述初始检测模型至收敛。
在本实施例的一些可选的实现方式中,确定模块402进一步用于:确定包含所述至少一个历史关键点的最小区域图像;基于所述最小区域图像,确定所述历史图像中的目标区域图像。
请参考图5,其示出了本公开的一个实施例的图像信息检测方法可以应用于其中的示例性***架构。
如图5所示,***架构可以包括终端设备501、502、503,网络504,服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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。上述终端设备和服务器可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,Ad hoc端对端网络),以及任何当前已知或未来研发的网络。
终端设备501、502、503可以通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用,例如视频发布应用、搜索类应用、新闻资讯类应用。
终端设备501、502、503可以是硬件,也可以是软件。当终端设备501、502、503为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备501、502、503为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器505可以是可以提供各种服务的服务器,例如接收终端设备501、502、503发送的图像获取请求,对图像获取请求进行分析处理,并将分析处理结果(例如与上述获取请求对应的图像数据)发送给终端设备501、502、503。
需要说明的是,本公开实施例所提供的图像信息检测方法可以由服务器执行,也可以由终端设备执行,相应地,图像信息检测装置可以设置在服务器中,也可以设置在终端设备中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图5中的服务器或终端设备)的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备:获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;用于根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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。
描述于本公开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。其中,模块的名称在某种情况下并不构成对该单元本身的限定,例如,获取模块401还可以被描述为“获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种图像信息检测方法,其特征在于,包括:
获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;
根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息;
所述根据所述至少一个历史关键点的位置信息,确定所述目标图像中目标人体部位的至少一个关键点的位置信息,包括:
根据所述至少一个历史关键点的位置信息,确定所述历史图像中的目标区域图像;
基于所述目标区域图像,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标区域图像,确定所述目标图像中目标人体部位的至少一个关键点的位置信息,包括:
将所述目标区域图像输入预先训练好的检测模型中,并根据所述检测模型输出的检测结果确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
3.根据权利要求2所述的方法,其特征在于,所述检测结果包括目标部位置信度、至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度;以及
所述根据所述检测模型输出的检测结果确定所述目标图像中目标人体部位的至少一个关键点的位置信息,包括:
判断所述目标部位置信度是否大于第一预设置信度、所述至少一个关键点对应的位置置信度是否大于第二预设置信度;
若是,将所述至少一个关键点的位置信息确定为所述目标图像中目标人体部位的至少一个关键点的位置信息。
4.根据权利要求2所述的方法,其特征在于,所述检测模型对应的初始检测模型包括初始第一任务网络、初始第二任务网络以及初始第三任务网络;以及
所述检测模型基于如下步骤训练:
获取用于训练的样本图像;
将所述样本图像作为初始第一任务网络的输入,并将所述初始第一任务网络输出的局部图像分别输入初始第二任务网络和初始第三任务网络;
利用所述初始第二任务网络计算所述样本图像中检测到目标人体部位的目标部位置信度;
利用所述初始第三任务网络检测所述样本图像中至少一个关键点的位置信息,并检测所述至少一个关键点对应的位置置信度,以将所述初始检测模型训练成所述检测模型。
5.根据权利要求4所述的方法,其特征在于,所述检测模型的训练步骤还包括:
将在所述样本图像中检测到目标人体部位的期望目标部位置信度作为所述初始检测模型的第一期望输出;以及
将所述样本图像中呈现的目标人体部位的至少一个关键点的真实位置信息作为所述初始检测模型的第二期望输出;以及
将所述至少一个关键点对应的期望位置置信度作为所述初始检测模型的第三期望输出;
基于所述目标部位置信度、所述至少一个关键点的位置信息、所述至少一个关键点对应的位置置信度、所述第一期望输出、所述第二期望输出、所述第三期望输出,训练所述初始检测模型至收敛。
6.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个历史关键点的位置信息,确定所述历史图像中的目标区域图像,包括:
确定包含所述至少一个历史关键点的最小区域图像;
基于所述最小区域图像,确定所述历史图像中的目标区域图像。
7.一种图像信息检测装置,其特征在于,包括:
获取模块,用于获取待处理的目标图像以及上一时刻处理的历史图像;其中,所述历史图像中包括目标人体部位的至少一个历史关键点的位置信息;
确定模块,用于根据所述至少一个历史关键点的位置信息,确定所述历史图像中的目标区域图像;
基于所述目标区域图像,确定所述目标图像中目标人体部位的至少一个关键点的位置信息。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248659.9A CN113034580B (zh) | 2021-03-05 | 2021-03-05 | 图像信息检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248659.9A CN113034580B (zh) | 2021-03-05 | 2021-03-05 | 图像信息检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034580A CN113034580A (zh) | 2021-06-25 |
CN113034580B true CN113034580B (zh) | 2023-01-17 |
Family
ID=76466682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110248659.9A Active CN113034580B (zh) | 2021-03-05 | 2021-03-05 | 图像信息检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034580B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332080B (zh) * | 2022-03-04 | 2022-05-27 | 北京字节跳动网络技术有限公司 | 组织腔体的定位方法、装置、可读介质和电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985257A (zh) * | 2018-08-03 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109255337A (zh) * | 2018-09-29 | 2019-01-22 | 北京字节跳动网络技术有限公司 | 人脸关键点检测方法和装置 |
CN109558832A (zh) * | 2018-11-27 | 2019-04-02 | 广州市百果园信息技术有限公司 | 一种人体姿态检测方法、装置、设备及存储介质 |
CN109858444A (zh) * | 2019-01-31 | 2019-06-07 | 北京字节跳动网络技术有限公司 | 人体关键点检测模型的训练方法和装置 |
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 |
CN110188754A (zh) * | 2019-05-29 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 图像分割方法和装置、模型训练方法和装置 |
CN110378264A (zh) * | 2019-07-08 | 2019-10-25 | Oppo广东移动通信有限公司 | 目标跟踪方法及装置 |
CN110874583A (zh) * | 2019-11-19 | 2020-03-10 | 北京精准沟通传媒科技股份有限公司 | 一种客流统计的方法、装置、存储介质及电子设备 |
CN111274852A (zh) * | 2018-12-05 | 2020-06-12 | 北京猎户星空科技有限公司 | 目标对象关键点检测方法和装置 |
CN111950419A (zh) * | 2020-08-03 | 2020-11-17 | 中国民用航空华东地区空中交通管理局 | 图像信息预测方法、装置、计算机设备和存储介质 |
CN111967374A (zh) * | 2020-08-14 | 2020-11-20 | 安徽海博智能科技有限责任公司 | 基于图像处理的矿山障碍物识别方法、***及设备 |
CN112348035A (zh) * | 2020-11-11 | 2021-02-09 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆关键点检测方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532981B (zh) * | 2019-09-03 | 2022-03-15 | 北京字节跳动网络技术有限公司 | 人体关键点提取方法、装置、可读存储介质及设备 |
CN111369427B (zh) * | 2020-03-06 | 2023-04-18 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、可读介质和电子设备 |
-
2021
- 2021-03-05 CN CN202110248659.9A patent/CN113034580B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985257A (zh) * | 2018-08-03 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109255337A (zh) * | 2018-09-29 | 2019-01-22 | 北京字节跳动网络技术有限公司 | 人脸关键点检测方法和装置 |
CN109558832A (zh) * | 2018-11-27 | 2019-04-02 | 广州市百果园信息技术有限公司 | 一种人体姿态检测方法、装置、设备及存储介质 |
CN111274852A (zh) * | 2018-12-05 | 2020-06-12 | 北京猎户星空科技有限公司 | 目标对象关键点检测方法和装置 |
CN109858444A (zh) * | 2019-01-31 | 2019-06-07 | 北京字节跳动网络技术有限公司 | 人体关键点检测模型的训练方法和装置 |
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 |
CN110188754A (zh) * | 2019-05-29 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 图像分割方法和装置、模型训练方法和装置 |
WO2020238902A1 (zh) * | 2019-05-29 | 2020-12-03 | 腾讯科技(深圳)有限公司 | 图像分割方法、模型训练方法、装置、设备及存储介质 |
CN110378264A (zh) * | 2019-07-08 | 2019-10-25 | Oppo广东移动通信有限公司 | 目标跟踪方法及装置 |
CN110874583A (zh) * | 2019-11-19 | 2020-03-10 | 北京精准沟通传媒科技股份有限公司 | 一种客流统计的方法、装置、存储介质及电子设备 |
CN111950419A (zh) * | 2020-08-03 | 2020-11-17 | 中国民用航空华东地区空中交通管理局 | 图像信息预测方法、装置、计算机设备和存储介质 |
CN111967374A (zh) * | 2020-08-14 | 2020-11-20 | 安徽海博智能科技有限责任公司 | 基于图像处理的矿山障碍物识别方法、***及设备 |
CN112348035A (zh) * | 2020-11-11 | 2021-02-09 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆关键点检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113034580A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858445B (zh) | 用于生成模型的方法和装置 | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN111611144B (zh) | 用于处理性能测试数据的方法、装置、计算设备和介质 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN113032172B (zh) | 异常检测方法、装置和电子设备 | |
CN112685799B (zh) | 设备指纹生成方法、装置、电子设备和计算机可读介质 | |
CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
CN115277261A (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN113034580B (zh) | 图像信息检测方法、装置和电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113256339B (zh) | 资源投放的方法、装置、存储介质及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN110928914A (zh) | 用于输出信息的方法和装置 | |
CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
CN115631514B (zh) | 基于掌静脉指纹的用户识别方法、装置、设备与介质 | |
CN111324470A (zh) | 用于生成信息的方法及装置 | |
CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
US11610328B2 (en) | Method and apparatus for identifying item | |
CN110084298B (zh) | 用于检测图像相似度的方法及装置 | |
CN112669816B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 |
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 |