CN107507188A - 一种基于机器学习提取图像信息的方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于机器学习提取图像信息的方法及装置。该方法包括：获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；基于所述图像分割模板，获得所述目标对象的关键点的位置信息；根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。本实施例通过图像分割模块快速对图像分割获得目标对象，并根据目标对象上的关键点位置信息以及已知的实际参照物的测量信息计算获得目标对象的测量信息。该信息提取方法源于目标对象上的关键点以及实际的参照物，因此可以获得更加精确的测量信息。

Description

一种基于机器学习提取图像信息的方法及装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于机器学习提取图像信息的方法及装置。

背景技术

人类获取的外部世界信息中，超过80％是通过人的眼睛即视觉感知得到的，让机器能够拥有像人类一样的视觉是人类社会多年的梦想。

在计算机视觉领域中，对视觉图像中目标对象的信息提取是一个关键问题，是目前人机交互的重要技术之一。以图像中人体数据的提取也即人体自动测量为例，该技术能够应用在人体量体裁衣、制作游戏、虚拟现实等领域。人体自动测量潜在的巨大应用价值，引起了学术界、工业界的广泛关注。

对图像中目标对象的信息提取一般是指从图像中检测获得目标对象的位置、方向和目标对象尺度等信息。现有的信息提取中由于对目标对象的结构和尺寸测量不准确，因此获得的目标对象的测量信息精确度较低。

发明内容

本发明实施例所要解决的技术问题是提供一种基于机器学习提取图像信息的方法及装置，能够提高所获得的目标对象测量信息的精确度。

为了解决上述问题，本发明公开了以下技术方案：

第一方面，提供一种基于机器学习提取图像信息的方法，包括：

获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；

基于所述图像分割模板，获得所述目标对象的关键点的位置信息；

根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。

进一步，获得所述图像分割模板的方法，包括：

根据样本图像的二值向量及依据所述样本图像构造的无向加权图，对所述样本图像进行分割，获得所述样本图像的外部轮廓及内部线条；所述图像分割模板包括所述外部轮廓及所述内部线条。

进一步，所述基于所述图像分割模板，获得所述目标对象的关键点的位置信息，包括：

当所述目标对象落入所述外部轮廓中时，按照所述内部线条确定所述目标对象的关键点的位置信息。

进一步，所述根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息，包括：

根据所述参照物的测量信息及在所述目标图像中所述参照物在指定方向上的像素点位置信息，确定所述指定方向上单位像素点的测量信息；

根据所述指定方向上单位像素点的测量信息及所述关键点的位置信息获得所述目标对象的测量信息。

进一步，所述方法还包括：

基于预先建立的神经网络模型对所述目标对象的测量信息进行修正。

进一步，所述神经网络模型的建立方法包括：

获取样本数据，所述样本数据包括样本标准测量信息及样本待修正测量信息；

采用所述样本数据对初始神经网络模型进行模型训练，获得所述神经网络模型。

进一步，所述目标对象的测量信息至少包括下列之一：

人体的身高、肩宽、左手臂长度、右手臂长度、腰宽、腰到脚长度、腿长。

第二方面，还提供一种基于机器学习提取图像信息的装置，包括：

图像获取模块，被配置为获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；

第一测量模块，被配置为基于所述图像分割模板，获得所述目标对象的关键点的位置信息；

第二测量模块，被配置为根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。

进一步，所述装置还包括：

模板获取模块，被配置为根据样本图像的二值向量及依据所述样本图像构造的无向加权图，对所述样本图像进行分割，获得所述样本图像的外部轮廓及内部线条；所述图像分割模板包括所述外部轮廓及所述内部线条。

进一步，所述第一测量模块，被配置为当所述目标对象落入所述外部轮廓中时，按照所述内部线条确定所述目标对象的关键点的位置信息。

进一步，所述第二测量模块包括：

确定子模块，被配置为根据所述参照物的测量信息及在所述目标图像中所述参照物在指定方向上的像素点位置信息，确定所述指定方向上单位像素点的测量信息；

测量子模块，被配置为根据所述指定方向上单位像素点的测量信息及所述关键点的位置信息获得所述目标对象的测量信息。

进一步，所述装置还包括：

修正模块，被配置为基于预先建立的神经网络模型对所述目标对象的测量信息进行修正。

进一步，所述装置还包括模型建立模块，

所述模型建立模块，被配置为建立神经网络模型，包括：

获取子模块，被配置为获取样本数据，所述样本数据包括样本标准测量信息及样本待修正测量信息；

训练子模块，被配置为采用所述样本数据对初始神经网络模型进行模型训练，获得所述神经网络模型。与现有技术相比，本发明实施例包括以下优点：

本实施例通过图像分割模块快速对图像分割获得目标对象，并根据目标对象上的关键点位置信息以及已知的实际参照物的测量信息计算获得目标对象的测量信息。该信息提取方法源于目标对象上的关键点以及实际的参照物，因此可以获得更加精确的测量信息。

附图说明

图1是本发明的一种基于机器学习提取图像信息的方法实施例的步骤流程图；

图2a是本发明的一种获得图像分割模板的方法实施例的步骤流程图；

图2b～2c是本发明的一种图像分割模板的示意图；

图3是本发明的一种获得目标对象的测量信息的方法实施例的步骤流程图；

图4是本发明的另一种基于机器学习提取图像信息的方法实施例的步骤流程图；

图5a是本发明的一种神经网络模型的建立方法实施例的步骤流程图；

图5b是本发明的一种初始神经网络模型的示意图；

图5c是本发明的一种对利用神经网络模型进行测量信息修正的示意图；

图6是本发明的一种基于机器学习提取图像信息的装置实施例的结构框图；

图7是本发明的另一种基于机器学习提取图像信息的装置实施例的结构框图；

图8是本发明的另一种基于机器学习提取图像信息的装置实施例的结构框图；

图9是本发明的另一种基于机器学习提取图像信息的装置实施例的结构框图；

图10是本发明的另一种基于机器学习提取图像信息的装置实施例的结构框图；

图11是本发明的一种模型建立模块的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明的一种基于机器学习提取图像信息的方法实施例的步骤流程图，具体可以包括如下步骤：

步骤101，获取目标图像，其中，目标图像中的目标对象与预先获得的图像分割模板相匹配。

本实施例中，该用于提取图像信息的装置(以下简称该装置)可以是移动终端等，也可以是内置在终端或安装在某一平台的模块等，可以执行本实施例中的步骤101～103。

在本步骤中，该装置可以通过终端的摄像头拍摄获得目标图像，也可以是从预先存储的图库中调取目标图像。该目标图像中包含有待测量的目标对象，该目标对象可以人物、人体的某一部位或动物或其它对象。

本实施例中，该目标图像中的目标对象与预先获得的图像分割模板相匹配。其中，该图像分割模板可以是预存储在该装置中的，该模板可以是根据半自动分割法获得的，可以包括轮廓线和/或内部线。该目标对象与预先获得的图像分割模板相匹配，可以是通过调节目标图像的显示大小，使得目标对象刚好落入该图像分割模板的轮廓线之内或者使得目标对象刚好对应该图像分割模板的内部线。通过该图像分割模板可以快速将目标对象从目标图像中分割出来。

步骤102，基于图像分割模板，获得目标对象的关键点的位置信息。

在基于图像分割模板分割出目标对像后，本步骤即可图像分割模板提取出目标对象上两个或两个以上关键点的位置信息。该关键点可以是图像分割模板轮廓和/或内部线条上的点，以目标对象为人体为例，该关键点可以是图像分割模板最上部也即人体头顶处的像素点，也可以是最下部也即人体脚处的像素点等。该关键点的选取与需要获得的目标对象的测量信息有关。关键点的位置信息具体可以是二位或三维的原始坐标或齐次坐标等。

步骤103，根据关键点的位置信息及预先获知的目标图像中参照物的测量信息，获得目标对象的测量信息。

在本步骤中，其中一种实现方式可以是首先根据预先获知的目标图像中某一参照物的测量信息(如尺寸信息)，以及该参照物在目标图像中包含的像素点位置，计算单位像素点对应的实际测量信息，然后根据关键点的位置信息确定出待测量的目标对象包含的像素点位置，进而根据单位像素点对应的实际测量信息，计算获得目标对象的测量信息。其中，测量信息具体可以是高度或宽度或长度等尺寸信息。

其中，参照物的测量信息可以是预先设定或存储的，也可以是该装置接收的用户临时输入的数值等。

具体请参见后续实施例的描述。

本发明实例中，上述目标对象的测量信息可以至少包括下列之一：

人体的身高、肩宽、左手臂长度、右手臂长度、腰宽、腰到脚长度、腿长。

本实施例通过图像分割模块快速对图像分割获得目标对象，并根据目标对象上的关键点位置信息以及已知的实际参照物的测量信息计算获得目标对象的测量信息。该信息提取方法源于目标对象上的关键点以及实际的参照物，因此可以获得更加精确的测量信息。

另外，本发明实施例能够克服环境限制，实现人机交互，增强用户体验。因其可以快速准确的获得测量信息，可用于快速服装设计、量体裁衣，手机端游戏等应用。

在另一实施例中，如图2a所示，获得图像分割模板的方法可以包括：

步骤201，获得样本图像的二值向量及样本图像的无向加权图。

该样本图像可以选取与目标图像类似的图像，该样本图像中包含有样本对象。

1)获得样本图像的二值向量：

图像分割可以认为是对图像像素的二值标记问题，前景的像素标记为1，属于背景的像素标记为0。设A＝(A1，...Ap，...A|P|})表示一个二值向量，其中|P|表示样本图像中像素的个数，Ap表示赋予第p个像素的标记。那么向量A就表示了样本图像的一个分割。关于A的能量函数由图像信息的区域性质和边界性质两项共同决定，表示为如下形式：

E(A)＝λR(A)+B(A)

其中

λ≥0权衡区域项和边界项的重要性。R_p(A_p)表示将像素p标记为前景或者背景，这可以通过像素点p的光亮度在多大程度上符合某一光亮度模型(如前景或者背景的灰度直方图)来反应。B_{p,q}表示对相邻像素之间不连续性的惩罚，当像素p，q非常相似(比如，光亮度值相近)时，该惩罚项的值很大，若差异明显，则该值很小，近乎于零。B_{p,q}同时也是关于像素p，q之间距离的减函数。常用的B_{p,q}可以考虑关于光亮度的局部梯度，拉普拉斯过零点，梯度方向以及其他准则。N代表8邻域的像素点对。

2)构造样本图像的无向加权图：

样本图像的无向加权图表示为G＝<V,E>，其中V表示图中的顶点集合，它由两部分组成：一部分对应于图像的每个像素，另有两个终端节点分别称为源S(source)和汇T(sink)，指代图像的前景和背景。E表示连接图中所有相邻顶点的无向边集合，也由两部分构成：一部分表示连接图像相邻像素的边(如二维灰度图可取4邻域)称为n-1inks。边上的权值表示该像素与前景或背景的关系。

图的分割定义为图中边集合E的一个子集C，即，集合C中所有边的断裂将会导致两个终端节点的分离。其代价|C|为集合C中所有边的权值之和，即 为边的权值。

基于以上信息，目前已有的方法在做分割前，先标记一部分前景点(O)及背景点(B)每个像素对应的顶点所连接的边赋权值时，若当前像素不属于被标记的前景和背景图像块，则其t-link S(或者T)为λ·R_p{"bkg"}(或者λ·R_p{"obj"})；若属于被标记的前景或背景图像块，则t-link为0或者K。当选择图中的相邻的顶点，其n-link的权值为B_{p,q}，其中

I_p,I_q表示图像灰度值，σ表示相机噪声(camera noise)。

R_p("obj")＝-lnPr(I_p|O)R_p("bkg")＝-lnPr(I_p|B)

Pr表示由种子点(用户预先在图像的前景和背景随意勾画的区域)得到的前景和背景的灰度直方图。

步骤202，根据样本图像的二值向量及无向加权图，对样本图像进行分割，获得样本图像的外部轮廓及内部线条。

以上是图像的半自动分割方法，基于该半自动分割方法可以获得样本图像的外部轮廓和内部线条，如图2b、2c所示，将该外部轮廓及内部线条固定为图像分割模板。

在使用该图像分割模板对目标图像进行图像分割时，只要将模板的外部轮廓恰好能包围目标对象即可，例如在使用手机拍摄目标图像时，同时在手机界面显示该图像分割模板的轮廓线，通过调节目标对象的显示大小，使得目标对象恰好落入模板的外部轮廓线即可，在拍摄获得该目标图像的同时，即可通过该图像分割模板同时获得分割出的目标对象。

在另一实施例中，在执行步骤102，基于图像分割模板，获得目标对象的关键点的位置信息时，就可以当目标对象落入图像分割模板的外部轮廓中时，按照图像分割模板的内部线条确定目标对象的各个部位，以人体为例，即可按照图2c所示，五条内部线条分别对应人体的躯干和四肢。基于该内部线条，即可选取线条上的顶点或端点作为关键点，进而获得关键点的位置信息，该位置信息可以是二维坐标。

在另一实施例中，在执行步骤103，根据所关键点的位置信息及预先获知的目标图像中参照物的测量信息，获得目标对象的测量信息时，如图3所示，可以包括：

步骤301，根据参照物的测量信息及在目标图像中参照物在指定方向上的像素点位置信息，确定指定方向上单位像素点的测量信息。

该指定方向可以是水平方向或竖直方向。

以竖直方向为例，基于比例法，假设目标对象为人体，参照物为人体本身，已知的参照物的测量信息为身高，则运用目标图像中人体各部位像素点的位置，如公式所示，可以获得竖直方向上单位像素点的高度。

Pixel_scale＝H/(Head(y)-Feet(y))；

其中，H表示已知的人体实际身高；Pixel_scale表示单位像素所对应的高度；x,y分别表示像素点的横纵坐标值；Head，Feet分别表示头部及双脚中心位置的纵坐标。

同理，以指定方向为水平方向为例，根据水平方向上参照物的已知测量信息，如长度，以及该参照物在目标图像中的像素坐标，求单位像素点所占的实际长度：

Pixel_scale＝wr/(rright(x)-rleft(x))

其中，Pixel_scale表示单位像素所对应的测量信息；wr表示参照物的实际测量信息；x,y分别表示参照物的像素点的横纵坐标值；rright、rleft分别表示参照物在目标图像中左部及右部所对应的像素点的坐标。

步骤302，根据指定方向上单位像素点的测量信息及关键点的位置信息获得目标对象的测量信息。

在得到水平和竖直方向上目标图像中的单位像素点的测量信息以及目标对象的像素值后，可以根据下面公式分别得获得水平和竖直方向上目标对象的实际测量信息。

Real_length＝Pixel×Pixel_scale

其中，Real_length表示目标对象的测量信息，Pixel_scale表示指定方向上单位像素点的测量信息(如尺寸)，Pixel表示指定方向上目标图像中目标对象对应的像素值也即目标对象包含的单位像素点，该像素值可以根据关键点在目标图像中的位置信息计算获得。

以目标对象为人体为例，根据关键点的位置信息可以获得人体各部位的像素值为：

Shoulder_pixel＝|Shoulder_right(x)-Shoulder_left(x)|

Waist_pixel＝|Waist_right(x)-Waist_left(x)|

Waist_Feet_pixel＝|Waist(y)-Feet(y)|

Leg_pixel＝|Leg(y)-Feet(y)|

Leg_pixel＝|Leg(y)-Feet(y)|

其中，Shoulder_pixel、LHand_pixel、RHand_pixel、Waist_pixel、Waist_Feet_pixel、Leg_pixel分别表示肩宽、左手臂、右手臂、腰宽、腰部到脚、腿长在目标图像中的像素值。

Shoulder_left，Shoulder_right分别表示右肩及左肩的像素点坐标，Hand_left，Hand_right分别表示左手掌及右手掌的的像素点坐标，Waist_left，Waist_right分别表示腰的最左侧及最右侧的像素点坐标，Waist表示腰的中心位置的像素点坐标。

在本发明的另一实施例中，在获得目标对象的测量信息后，可以基于机器学习方法对测量信息进行修正，机器学习方法可以选用神经网络(Neural Network,NN)的方法。如图4所示，该方法还可以包括：

步骤401，基于预先建立的神经网络模型对目标对象的测量信息进行修正。

首先，如图5a所示，神经网络模型的建立方法可以进一步包括：

步骤501，获取样本数据，样本数据包括样本标准测量信息及样本待修正测量信息。

样本的标准测量信息也即实际测量信息，例如不同用户的实际人体尺寸。样本带修正测量信息可以是对样本图像按照前述步骤101～103获得的带修正的测量信息，即为样本待修正测量信息。

步骤502，采用样本数据对初始神经网络模型进行模型训练，获得神经网络模型。

如图5b所示，初始神经网络模型可以是具有三层：输入层、隐含层和输出层。利用上述样本数据对该初始的神经网络模型进行模型训练，以样本数据为人体测量数据为例，按照如图5c所示的模式对模型结构进行调试、选取、测试，最后获得最佳模型也即步骤401中的神经网络模型。

在获得神经网络模型后，即可按照如图5c所示的模式，将目标对象的测量信息输入该神经网络模型进行修正，最后输出修正后的目标对象的测量信息。

通过采用神经网络模型对目标对象的测量信息进行修正，提供了测量信息的精确度。

在本发明的另一实施例中，该方法还可以将获得的目标对象的测量信息存储在数据库中通过服务器进行管理，方便用户等的查询，并可以将指定的信息主动推送的用户侧。

数据管理可以主要包括用户身份信息的建立与验证，身份信息与测量信息的绑定与同步，本地信息的存储以及与网络信息的同步等。当该装置如手机客户端接收到监测模块上传的生理信号时，首先要将数据存储到本地的数据库中，然后再将需要上传的数据同步到服务器端。本地数据库这里选用Android平台嵌入的关系型数据库SQLite，从而实现手机端的数据库设计和服务器端基本一致。

以该方法应用于自动测量人体参数的场景为例，为了对每个用户进行系统的管理并方便数据的后期处理，可以为每个用户建立专有的数据库。数据库主要包括用户ID(uid)，以及测量信息：身高(Height)、肩宽(Shoulder)、左手臂长度(L_hand)、右手臂长度(R_hand)、腰宽(Waist)、腰到脚长度(Waist_feet)、腿长(Leg)，其具体设计可以如表1所示：

表1：

在表2中给出了三组被测数据，每组被测数据又包括人体参数真实值、测量值以及神经网络测量值。通过表2的数据，可以计算出测量值的绝对误差与神经网络测量值的绝对误差，如表3所示。绝对误差计算公式，如下式所示：

绝对误差＝|真实值–测量值|

相对误差＝|真实值–测量值|/真实值

分析表3给的数据，可以发现测量值的绝对误差和神经网络的绝对误差的平均值基本都在3cm以内。

表2：

表3：

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图6，示出了本发明一种基于机器学习提取图像信息的装置实施例的结构框图，具体可以包括如下模块：

图像获取模块601，被配置为获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；

第一测量模块602，被配置为基于所述图像分割模板，获得所述目标对象的关键点的位置信息；

第二测量模块603，被配置为根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。

本实施例通过上述模块利用图像分割模块快速对图像分割获得目标对象，并根据目标对象上的关键点位置信息以及已知的实际参照物的测量信息计算获得目标对象的测量信息。该信息提取装置源于目标对象上的关键点以及实际的参照物，因此可以获得更加精确的测量信息。

在另一实施例中，如图7所示，该装置还可以包括：

模板获取模块701，被配置为根据样本图像的二值向量及依据所述样本图像构造的无向加权图，对所述样本图像进行分割，获得所述样本图像的外部轮廓及内部线条；所述图像分割模板包括所述外部轮廓及所述内部线条。

在另一实施例中，第一测量模块602，可以被配置为当所述目标对象落入所述外部轮廓中时，按照所述内部线条确定所述目标对象的关键点的位置信息。

在另一实施例中，如图8所示，第二测量模块603可以包括：

确定子模块801，被配置为根据所述参照物的测量信息及在所述目标图像中所述参照物在指定方向上的像素点位置信息，确定所述指定方向上单位像素点的测量信息；

测量子模块802，被配置为根据所述指定方向上单位像素点的测量信息及所述关键点的位置信息获得所述目标对象的测量信息。

在另一实施例中，如图9所示，该装置还可以包括：

修正模块901，被配置为基于预先建立的神经网络模型对所述目标对象的测量信息进行修正。

在另一实施例中，如图10所示，该装置还可以包括：

模型建立模块1001，被配置为建立神经网络模型。

如图11所示，模型建立模块1001可以进一步包括：

获取子模块1101，被配置为获取样本数据，所述样本数据包括样本标准测量信息及样本待修正测量信息；

训练子模块1102，被配置为采用所述样本数据对初始神经网络模型进行模型训练，获得所述神经网络模型。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种基于机器学习提取图像信息的方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于机器学习提取图像信息的方法，其特征在于，包括：

获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；

基于所述图像分割模板，获得所述目标对象的关键点的位置信息；

根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。

2.根据权利要求1所述的方法，其特征在于，获得所述图像分割模板的方法，包括：

根据样本图像的二值向量及依据所述样本图像构造的无向加权图，对所述样本图像进行分割，获得所述样本图像的外部轮廓及内部线条；所述图像分割模板包括所述外部轮廓及所述内部线条。

3.根据权利要求2所述的方法，其特征在于，所述基于所述图像分割模板，获得所述目标对象的关键点的位置信息，包括：

当所述目标对象落入所述外部轮廓中时，按照所述内部线条确定所述目标对象的关键点的位置信息。

4.根据权利要求1所述的方法，其特征在于，所述根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息，包括：

根据所述参照物的测量信息及在所述目标图像中所述参照物在指定方向上的像素点位置信息，确定所述指定方向上单位像素点的测量信息；

根据所述指定方向上单位像素点的测量信息及所述关键点的位置信息获得所述目标对象的测量信息。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述方法还包括：

基于预先建立的神经网络模型对所述目标对象的测量信息进行修正。

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型的建立方法包括：

获取样本数据，所述样本数据包括样本标准测量信息及样本待修正测量信息；

采用所述样本数据对初始神经网络模型进行模型训练，获得所述神经网络模型。

7.根据权利要求5所述的方法，其特征在于，所述目标对象的测量信息至少包括下列之一：

人体的身高、肩宽、左手臂长度、右手臂长度、腰宽、腰到脚长度、腿长。

8.一种基于机器学习提取图像信息的装置，其特征在于，包括：

图像获取模块，被配置为获取目标图像，其中，所述目标图像中的目标对象与预先获得的图像分割模板相匹配；

第一测量模块，被配置为基于所述图像分割模板，获得所述目标对象的关键点的位置信息；

第二测量模块，被配置为根据所述关键点的位置信息及预先获知的所述目标图像中参照物的测量信息，获得所述目标对象的测量信息。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

模板获取模块，被配置为根据样本图像的二值向量及依据所述样本图像构造的无向加权图，对所述样本图像进行分割，获得所述样本图像的外部轮廓及内部线条；所述图像分割模板包括所述外部轮廓及所述内部线条。

10.根据权利要求9所述的装置，其特征在于，所述第一测量模块，被配置为当所述目标对象落入所述外部轮廓中时，按照所述内部线条确定所述目标对象的关键点的位置信息。