CN109241875B - 姿态检测方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种姿态检测方法及装置、电子设备和存储介质，其中所述方法包括：确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息；利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。本公开能够提高姿态检测的精度。

Description

姿态检测方法及装置、电子设备和存储介质

技术领域

本公开涉及摄像设备技术领域，尤其涉及一种姿态检测方法及装置、电子设备和存储介质。

背景技术

人体姿态估计在互动娱乐、行为分析等领域中发挥着重大的作用，而三维人体姿态估计的算法在现有技术中还存在着很大的限制，直接使用图片作为输入的端到端方法受制于训练样本数量和获取难度的限制，在深度学习中还无法达到较高的准确率；使用二维关键点作为基础的算法，因其训练速度快，数据易增广的特性而被不少应用所采用。

实际应用中，由于使用不同的摄像设备有着不同的规格，诸如焦距、光心位置、畸变参数等参数都会存在区别，这些区别都会影响三维人体姿态估计的精准度。

发明内容

本公开实施例提供了一种结合摄像设备的参数执行图像中的姿态检测以提高姿态检测的精确度的姿态检测方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种姿态检测方法，其包括：

确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息；

利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

本公开实施例中，所述确定目标图像中目标对象的各第一特征部的第一位置信息，包括：

获取所要识别的第一特征部的信息；

基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

本公开实施例中，所述基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息，包括：

利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

确定各第一特征部的第三位置信息的均值和方差；

基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

本公开实施例中，所述利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息包括：

利用所述设备参数对所述第一位置信息执行去畸变处理；

对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。

本公开实施例中，所述利用所述设备参数对所述第一位置信息执行去畸变处理包括：

利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中所述第一公式包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。

本公开实施例中，所述基于所述均值和方差对所述第三位置信息执行第二归一化处理包括：

利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为均值函数，std函数为方差函数。

本公开实施例中，所述利用各所述第二位置信息确定第二特征部的三维位置信息包括：

利用预设模型根据各所述第一特征部的第二位置信息，获得针对所述目标对象的第二特征部的三维位置信息；

其中，所述预设模型包括深度学习模型。

本公开实施例中，所述基于所述三维位置信息确定所述目标图像中目标对象的姿态包括：

对所述三维位置信息执行逆归一化处理得到第四位置信息；

基于所述第四位置信息确定所述目标对象的姿态。

本公开实施例中，所述对所述三维位置信息执行逆归一化处理得到第四位置信息，包括：

利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

本公开实施例中，所述方法还包括：

获取目标图像；

识别所述目标图像中的目标对象。

本公开实施例中，所述第一特征部包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。

根据本公开实施例的第二方面，提供了一种姿态检测装置，其包括：

第一确定模块，其配置为确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

归一化模块，其配置为基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息；

第二确定模块，其配置为利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

本公开实施例中，所述第一确定模块包括：

信息获取单元，其配置为获取所要识别的第一特征部的信息；

特征识别单元，其配置为基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

位置确定单元，其配置为基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

本公开实施例中，所述归一化模块包括：

第一归一化单元，其配置为利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

确定单元，其配置为确定各第一特征部的第三位置信息的均值和方差；

第二归一化单元，其配置为基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

本公开实施例中，所述第一归一化单元进一步配置为利用所述设备参数对所述第一位置信息执行去畸变处理，并对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。

本公开实施例中，所述第一归一化单元进一步配置为利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中所述第一公式包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。

本公开实施例中，所述第二归一化单元进一步配置为利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为均值函数，std函数为方差函数。

本公开实施例中，所述第二确定模块进一步配置为利用预设模型根据各所述第一特征部的第二位置信息，获得针对所述目标对象的第二特征部的三维位置信息；

其中，所述预设模型包括深度学习模型。

本公开实施例中，所述第二确定模块包括：

逆归一化单元，其配置为对所述三维位置信息执行逆归一化处理得到第四位置信息；

姿态确定单元，其配置为基于所述第四位置信息确定所述目标对象的姿态。

本公开实施例中，所述逆归一化单元进一步配置为利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

本公开实施例中，所述装置还包括：

图像获取模块，其配置为获取目标图像；

识别模块，其配置为识别所述目标图像中的目标对象。

本公开实施例中，所述第一特征部包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。

根据本公开实施例的第三方面，提供了一种电子设备，其包括：

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：执行如上述实施例中任意一项所述的方法。

根据本公开实施例的第三方面，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如上述实施例中任意一项所述的方法。

本公开实施例通过结合设备参数来执行图像中对象的姿态检测，其中可以消除不同设备参数对姿态检测所带来的影响，能够提高姿态检测的精度。

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姿态检测方法的流程图；

图2示出根据本公开实施例的姿态检测方法中步骤S100的流程图；

图3示出根据本公开实施例的目标图像以及识别出的第一特征部的对应关系图；

图4示出根据本公开实施例中利用各第二位置信息确定第二特征部的三维位置信息的第二预设模型的结构示意图；

图5示出根据本公开实施例的姿态检测方法中步骤S200的流程图；

图6示出根据本公开实施例的姿态检测方法中的步骤S201的流程图；

图7示出根据本公开实施例的姿态检测方法的步骤S300的流程图；

图8示出根据本公开实施例的姿态检测装置的框图；

图9示出根据本公开实施例的一种电子设备的框图；

图10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，为了更好的说明本公开，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。

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。

此外，本公开还提供了姿态检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种姿态检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图1示出根据本公开实施例的姿态检测方法的流程图，如图1所示，所述姿态检测方法可以包括：

S100：确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

S200：基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息；

S300：利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

本公开实施例所提供的姿态检测方法可以用于图像中人体对象的姿态检测，其中姿态可以包括跑、坐、站立、行走、跳跃、匍匐、卧倒、飞等等状态，也可以是其他的状态，所有能够作为目标对象的空间状态的情况都可以作为本公开实施例识别的姿态类型。另外，本公开实施例可以结合摄取该图像的摄像设备的参数来执行人体对象的各特征部的位置优化，从而提高姿态检测的精确度。

本实施例中的目标对象是指用于执行姿态检测的图像，该目标对象中被执行姿态检测的对象称作为目标对象，该目标对象可以包括人、动物等。在本公开实施例可以首先获取目标图像，例如可以从存储的图像数据中选择出目标图像，或者也可以从其他设备接收传输的目标图像，或者也可以是直接通过摄像设备摄取目标图像，上述仅为获取目标图像的示例性说明，本公开对此不进行限制。

在获取目标图像后，可以识别该目标图像中的目标对象，其中可以通过图像识别算法识别出目标图像中的目标对象，也可以通过经过训练的机器学习网络模型执行目标对象的识别，该机器学习网络模型可以包括神经网络模型，或者深度学习神经网络模型等，本公开对此也不进行限制。其中，本公开实施例以人为目标对象进行说明，在其他实施例中目标对象也可以为动物、卡通人物等等。

步骤S100中，在识别出目标对象后，可以确定目标对象中的各第一特征部的第一位置信息。其中，目标对象的第一特征部为目标对象上的关键特征部位，例如可以包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。其中肩部可以分为左肩部和右肩部，肘部可以分为左肘部和右肘部，腕部可以分为左腕部和右腕部，髋部可以分为左髋部和右髋部，膝部可以分为左膝部和右膝部，以及踝部可以分为左踝部和右踝部。其中，对于上述第一特征部的识别也可以通过预设的特征识别算法来执行，或者也可以通过经过训练的机器学习网络模型来识别。另外在识别出各个第一特征部后，可以确定各第一特征部的位置信息。对于第一特征部的识别和确定，可以直接将目标图像输入至训练完成的第一预设模型，通过该第一预设模型可以直接识别出目标图像中的目标对象的各第一特征部。或者也可以直接利用第一预设算法识别目标对象中的各第一特征部。本公开实施例可以采用现有技术手段执行第一预设模型的训练和建立，对此不进行限制。另外，第一预设算法可以包括任意的特征识别算法。

另外，本公开实施例也可以首先获取所要识别的第一特征部的信息，进而识别对应的第一特征部的位置。图2示出根据本公开实施例的姿态检测方法中步骤S100的流程图，其中步骤S100可以包括：

S101：获取所要识别的第一特征部的信息；

S102：基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

S103：基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

首先，可以获取所要识别的第一特征部的信息，如上所述第一特征部可以包括头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种，此时获取的第一特征部的信息包括所要识别的第一特征部的标识，如该标识可以是对应特征部的名称，也可以是预设的编号，基于该编号可以唯一的对应到第一特征部。

在获取第一特征部的信息后，则可以执行第一特征部的识别操作，其中可以根据第一预设算法或者第一预设模型来执行该识别操作，其中第一预设算法可以包括局部特征点检测算法、斑点检测算法以及角点检测算法中的至少一种，或者也可以包括其他能够实现第一特征部的检测和识别的算法。第一预设模型可以是上述经过训练完成的网络模型，例如可以包括机器学习网络模型，如神经网络模型、深度学习神经网络模型等。图3示出根据本公开实施例的目标图像以及识别出的第一特征部的对应关系图，其中以圆点的方式表示识别各第一特征部。

在识别出各第一特征部之后，则可以执行步骤S103，基于建立的直角坐标系确定各第一特征部的第一位置信息，各第一位置信息以二维坐标的形式表示，如(x，y)。

这里，第一位置信息的确定也可以通过上述第一预设模型来实现，该模型可以实现第一特征部的识别以及对应位置信息的确定，或者也可以通过识别出的第一特征部之间的相对位置确定各第一位置信息，例如以其中一个第一特征部的位置作为坐标原点，利用各第一特征部之间的相对位置关系则可以确定其余各第一特征部的位置坐标。以上仅为确定第一位置信息的示例性说明，本公开实施例对此不进行限定。

在获得第一位置信息后，则可以结合摄像设备的设备参数对第一位置信息进行归一化处理得到第二位置信息。

本公开实施例可以结合摄像设备的设备参数执行第一特征部的第一位置信息的归一化处理，从而可以消除不同摄像设备或者相同摄像设备的不同设备参数对图像的姿态检测的影响。

在确定第二位置信息后，则可以利用各第一特征部的第二位置信息获得对应于第二特征部的三维位置信息。其中可以利用第二预设模型实现该第二特征部的三维位置信息的确定。本公开实施例中的第一特征部可以包括在第二特征部内，即第二特征部可以和第一特征部可以相同，也可以具有比第一特征部多的特征部。例如本公开实施例的第二特征部相较于第一特征部还可以包括：胯部中点、腰椎中点、鼻子和脊椎中点中的至少一种。其中胯部中点是通过左髋部和右髋部的位置来确定，脊椎中点可以根据颈椎和胯部中点来确定，以及腰椎中点也可以根据颈椎和胯部中点来确定，鼻子可以基于头部特征点来确定。

图4示出根据本公开实施例中利用各第二位置信息确定第二特征部的三维位置信息的第二预设模型的结构示意图，其中，可以向该第二预设模型输入各第一特征部的第二位置信息，经过第二预设模型的学习操作可以获得对应的第二特征部的三维位置信息。其中，第二预设模型可以包括深度学习模型。第二预设模型中可以包括全连接层A、批处理以及ReLU函数层B，以及dropout函数层C，对于第二预设模型的生成过程，本公开实施例对此不进行赘述，其可以通过对大量的关于二维坐标形式的第一特征部的信息进行学习训练，以优化生成的机器学习模型。例如准备了约30万组数据，每一组数据是(一个二维人体骨架坐标和与之对应的三维人体骨架坐标)，数学上的表示是(x₁,y₁,x₂,y₂,...,x₁₄,y₁₄)和(X₁，Y₁，Z₁，...，X₁₄，Y₁₄，Z₁₄)，其中x₁…x₁₄分别为14个第一特征部的第二位置信息的横坐标值，y₁…y₁₄分别为14个第一特征部的第二位置信息的纵坐标值，(X，Y，Z)分别为生成17个的第二特征部的三维位置信息的坐标值。其中，第一特征部和第二特征部的数量可以根据需求进行设置，第二预设模型可以根据相应的配置信息完成第二特征部的确定。

在获取了各第二特征部的三维位置信息之后，则可以根据各三维位置信息确定目标对象的空间姿态。利用各特征部的位置信息执行空间姿态的确定也可以利用上述第二预设模型来执行，其可以在确定各三维位置信息后进一步识别对应的姿态。或者，也可以通过第二预设模型执行获得各第二特征部的三维位置信息之后，基于各三维位置信息的相对位置确定目标对象的姿态。其中，利用各特征部的三维位置信息确定目标对象的姿态的方式可以通过现有技术实现，第二预设模型也可以通过大量的特征部的三维位置信息来作为训练数据，使得其具有较高的姿态定位功能。

基于本公开实施例的上述配置，可以实现根据摄像设备的设备参数实现特征部的位置信息的归一化处理，从而可以消除不同设备之间的差异化影响，或者同一设备的不同参数的影响，提高了姿态检测的精确度。

下面对本公开实施例进行详细说明，其中，本公开实施例可以对步骤S100获得的各第一特征部的第一位置信息执行归一化处理，以消除设备参数差异对于位置信息检测的影响。图5示出根据本公开实施例的姿态检测方法中步骤S200的流程图，其中步骤S200可以包括：

S201：利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

S202：确定各第一特征部的第三位置信息的均值和方差；

S203：基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

其中，本公开实施例在执行第一位置信息的归一化处理时，首先可以利用设备参数对各第一特征的第一位置信息执行第一归一化处理，获得各第一特征部的第三位置信息。通过该第一归一化处理可以去除各第一位置信息由于摄像设备的参数所带来的畸变误差，而后利用畸变处理后的第一位置信息执行归一化处理得到第三位置信息，进一步归一化由于不同设备参数引起的差异性影响。

图6示出根据本公开实施例的姿态检测方法中的步骤S201的流程图，其中步骤S201可以包括：

S2011：利用所述设备参数对所述第一位置信息执行去畸变处理；

S2012：对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。其中，可以利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中第一公式可以包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。其中，径向畸变是指矢量端点沿长度方向发生的变化dr，也就是矢径的变化，切向畸变是指矢量端点沿切线方向发生的变化，也就是角度的变化dt。

通过上述第一公式即可以获得畸变处理后的第一位置信息(u，v)，而后可以执行第一归一化处理，其中第一归一化处理的公式可以包括：

其中，x_n和y_n分别为第一归一化处理后的第三位置信息的横坐标和纵坐标值。基于上述配置，可以在执行去畸变处理后在执行归一化处理，可以进一步提高位置信息的精确定位。

在获得各第一特征部的第三位置信息后，则可以确定各第三位置信息的均差和方差，并根据该方差和均值进一步执行第二归一化处理，从而得到对于第一特征部的第二位置信息。本公开实施例中，所述确定各第一特征部的第三位置信息的均值和方差可以包括：基于各第一特征部的第三位置信息的横坐标值，确定所述第三位置信息的横坐标的均值和方差；基于各第一特征的第三位置信息的纵坐标值，确定所述第三位置信息的纵坐标的均值和方差。其中，即可以利用均值公式和方差公式分别确定各第一特征部的第三位置信息横坐标值的方差和均值，以及纵坐标值的方差和均值。

或者，本公开实施例中，也可以基于各第一特征部的第三位置信息生成与各第三位置信息的横坐标对应的横坐标均值和横坐标方差，以及与各第三位置信息的纵坐标对应的纵坐标均值和纵坐标方差。也即，每个第三位置信息的横坐标都对应有各自的方差和均值，纵坐标也都对应有各自的均值和方差。例如，可以通过第三预设模型执行第一位置信息的归一化处理过程。第三预设模型可以包括神经网络模型，在训练该神经网络模型时，可以通过大量的数据进行训练，例如可以输入30万组训练数据，其中每组训练数据可以包括输入的各特征部的第三位置信息，以及对应的为归一化后的第二位置信息。基于训练数据中每个相同特征部的第三位置信息的横坐标的均值和方差，确定为对应于该特征部的横坐标均值和方差，以及基于训练数据中每个相同特征部的第三位置信息的纵坐标的均值和方差，确定为对应于该特征部的纵坐标均值和方差。

因此，在向该第三预设模型输入各第一特征部的第三位置信息时，可以对应的获取相应特征部的横坐标均值、方差和纵坐标均值、方差。继而根据各特征部的均值和方差对第三位置信息执行第二归一化处理，其中可以利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第i个第一特征部的第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为对应第一特征部的横坐标或者纵坐标均值函数，std函数为对应第一特征部的横坐标或者纵坐标均的方差函数，i为正整数。

另外，在本公开实施例中，还可以对各三维位置信息进行逆归一化处理，根据逆归一化处理后的三维位置信息可以作为目标对象的实际位置坐标，以用于更精确的确定目标对象的姿态。图7示出根据本公开实施例的姿态检测方法的步骤S300的流程图，其中步骤S300可以包括：

S301：对所述三维位置信息执行逆归一化处理得到第四位置信息；

S302：基于所述第四位置信息确定所述目标对象的姿态。

其中，所述对所述三维位置信息执行逆归一化处理得到第四位置信息可以包括：

利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

对应的，本公开实施例中的mean函数为对应特征部的X、Y或者Z的均值，std函数为对应特征部的X、Y或者Z的方差。其中，在利用训练数据对第三预设模型进行训练时，可以根据得到的三维位置信息确定各第二特征部的三维位置信息中X的均值和方差，Y的均值和方差以及Z的均值和方差。例如可以获得训练数据中生成的对于头部特征部的X的均值和方差，Y的均值和方差以及Z的均值和方差，对应的也可以得到其他特征部的X的均值和方差，Y的均值和方差以及Z的均值和方差，以此得到每个特征部的X的均值和方差，Y的均值和方差以及Z的均值和方差。

因此，在执行步骤S301时，可以利用对应特征部的均值和方差执行各第二特征部的逆归一化处理，以消除训练数据所带来的影响，得到真实的各第二特征部的位置信息。最终根据该真实的第二特征部的位置信息获得目标对象的姿态。

综上所述，本公开实施例通过结合设备参数来执行图像中对象的姿态检测，其中可以消除不同设备参数对姿态检测所带来的影响，能够提高姿态检测的精度。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图8示出根据本公开实施例的姿态检测装置的框图，如图8所示，本公开实施例的姿态检测装置可以包括：

第一确定模块100，其配置为确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

归一化模块200，其配置为基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息；

第二确定模块300，其配置为利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

在本公开实施例中，所述第一确定模块包括：

信息获取单元，其配置为获取所要识别的第一特征部的信息；

特征识别单元，其配置为基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

位置确定单元，其配置为基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

在本公开实施例中，所述归一化模块包括：

第一归一化单元，其配置为利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

确定单元，其配置为确定各第一特征部的第三位置信息的均值和方差；

第二归一化单元，其配置为基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

在本公开实施例中，所述第一归一化单元进一步配置为利用所述设备参数对所述第一位置信息执行去畸变处理，并对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。

在本公开实施例中，所述第一归一化单元进一步配置为利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中所述第一公式包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。

在本公开实施例中，所述第二归一化单元进一步配置为利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为均值函数，std函数为方差函数。

在本公开实施例中，所述第二确定模块进一步配置为利用预设模型根据各所述第一特征部的第二位置信息，获得针对所述目标对象的第二特征部的三维位置信息；

其中，所述预设模型包括深度学习模型。

在本公开实施例中，所述第二确定模块包括：

逆归一化单元，其配置为对所述三维位置信息执行逆归一化处理得到第四位置信息；

姿态确定单元，其配置为基于所述第四位置信息确定所述目标对象的姿态。

在本公开实施例中，所述逆归一化单元进一步配置为利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

在本公开实施例中，所述装置还包括：

图像获取模块，其配置为获取目标图像；

识别模块，其配置为识别所述目标图像中的目标对象。

在本公开实施例中，所述第一特征部包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。

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9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9，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可以包括电源管理系统，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系统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和外围接口模块之间提供接口，上述外围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系统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10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10，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的操作系统，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。

本公开可以是系统、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(系统)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系统、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系统来实现，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技术改进，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 (24)

1.一种姿态检测方法，其特征在于，包括：

确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息，包括：利用所述设备参数对所述第一位置信息执行第一归一化处理，得到去除所述设备参数所带来的畸变误差的各所述特征部的第三位置信息；对各所述第三位置信息执行第二归一化处理，得到归一化由各所述设备参数引起的位置差异后的第二位置信息；

利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

2.根据权利要求1所述的方法，其特征在于，所述确定目标图像中目标对象的各第一特征部的第一位置信息，包括：

获取所要识别的第一特征部的信息；

基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息，包括：

利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

确定各第一特征部的第三位置信息的均值和方差；

基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

4.根据权利要求3所述的方法，其特征在于，所述利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息包括：

利用所述设备参数对所述第一位置信息执行去畸变处理；

对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。

5.根据权利要求4所述的方法，其特征在于，所述利用所述设备参数对所述第一位置信息执行去畸变处理包括：

利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中所述第一公式包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。

6.根据权利要求3所述的方法，其特征在于，所述基于所述均值和方差对所述第三位置信息执行第二归一化处理包括：

利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为均值函数，std函数为方差函数。

7.根据权利要求1或2所述的方法，其特征在于，所述利用各所述第二位置信息确定第二特征部的三维位置信息包括：

利用预设模型根据各所述第一特征部的第二位置信息，获得针对所述目标对象的第二特征部的三维位置信息；

其中，所述预设模型包括深度学习模型。

8.根据权利要求1或2所述的方法，其特征在于，所述基于所述三维位置信息确定所述目标图像中目标对象的姿态包括：

对所述三维位置信息执行逆归一化处理得到第四位置信息；

基于所述第四位置信息确定所述目标对象的姿态。

9.根据权利要求8所述的方法，其特征在于，所述对所述三维位置信息执行逆归一化处理得到第四位置信息，包括：

利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

10.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

获取目标图像；

识别所述目标图像中的目标对象。

11.根据权利要求1或2所述的方法，其特征在于，所述第一特征部包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。

12.一种姿态检测装置，其特征在于，包括：

第一确定模块，其配置为确定目标图像中目标对象的各第一特征部的第一位置信息，其中所述目标图像由摄像设备摄取；

归一化模块，其配置为基于所述摄像设备的设备参数对各所述第一位置信息执行归一化处理，得到第二位置信息，包括：利用所述设备参数对所述第一位置信息执行第一归一化处理，得到去除所述设备参数所带来的畸变误差的各所述特征部的第三位置信息；对各所述第三位置信息执行第二归一化处理，得到归一化由各所述设备参数引起的位置差异后的第二位置信息；

第二确定模块，其配置为利用各所述第二位置信息确定第二特征部的三维位置信息，并基于各所述三维位置信息确定所述目标图像中目标对象的姿态，其中所述第二特征部至少包括所述第一特征部。

13.根据权利要求12所述的装置，其特征在于，所述第一确定模块包括：

信息获取单元，其配置为获取所要识别的第一特征部的信息；

特征识别单元，其配置为基于获取的第一特征部的信息，识别所述目标对象中的各所述第一特征部；

位置确定单元，其配置为基于建立的二维坐标系确定各所述第一特征部的第一位置信息。

14.根据权利要求12或13所述的装置，其特征在于，所述归一化模块包括：

第一归一化单元，其配置为利用所述设备参数对所述第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息；

确定单元，其配置为确定各第一特征部的第三位置信息的均值和方差；

第二归一化单元，其配置为基于所述均值和方差对各所述第三位置信息执行第二归一化处理，得到所述第二位置信息。

15.根据权利要求14所述的装置，其特征在于，所述第一归一化单元进一步配置为利用所述设备参数对所述第一位置信息执行去畸变处理，并对去畸变处理后的第一位置信息执行第一归一化处理，得到各所述第一特征部的第三位置信息。

16.根据权利要求15所述的装置，其特征在于，所述第一归一化单元进一步配置为利用第一公式对所述第一位置信息执行所述去畸变处理处理，其中所述第一公式包括：

x'＝(x-c_x)/f_x

y'＝(y-c_y)/f_y；

r＝x'²+y'²

Δx＝2p₁x'y'+p₂(r²+2x'²)

Δy＝p₁(r²+2y'²)+2p₂x'y'

u'＝(x'-Δx)t

v'＝(y'-Δy)t

u＝u'f_x+c_x

v＝v'f_x+c_y

其中，f_x为摄像设备在x轴上的焦距，f_y为摄像设备在y轴上的焦距，c_x和c_y分别为摄像设备的光心坐标位置的横坐标值和纵坐标值，k₁、k₂、k₃、k₄、k₅、k₆分别为摄像设备的径向畸变参数，p₁、p₂为摄像设备的切向畸变参数，x和y分别为第一位置信息的横坐标值和纵坐标值，u和v分别为畸变处理处理后的横坐标值和纵坐标值。

17.根据权利要求14所述的装置，其特征在于，所述第二归一化单元进一步配置为利用第二公式，基于所述均值和方差对所述第三位置信息执行第二归一化处理，其中所述第二公式包括：

其中，s和t分别表示第二位置信息的横坐标和纵坐标，x_i和y_i分别表示第i个第一特征部的第三位置信息的横坐标值和纵坐标值，mean函数为均值函数，std函数为方差函数。

18.根据权利要求12或13所述的装置，其特征在于，所述第二确定模块进一步配置为利用预设模型根据各所述第一特征部的第二位置信息，获得针对所述目标对象的第二特征部的三维位置信息；

其中，所述预设模型包括深度学习模型。

19.根据权利要求12或13所述的装置，其特征在于，所述第二确定模块包括：

逆归一化单元，其配置为对所述三维位置信息执行逆归一化处理得到第四位置信息；

姿态确定单元，其配置为基于所述第四位置信息确定所述目标对象的姿态。

20.根据权利要求19所述的装置，其特征在于，所述逆归一化单元进一步配置为利用第三公式，对所述三维位置信息执行逆归一化处理得到第四位置信息，其中所述第三公式包括：

X_i'＝X_i*std(X_i)+mean(X_i)

Y_i'＝Y_i*std(Y_i)+mean(Y_i)

Z_i'＝Z_i*std(Z_i)+mean(Z_i)

其中，X_i'、Y_i'和Z_i'分别表示第i个第二特征部的第四位置信息的三个坐标值，X_i、Y_i、Z_i分别表示第i个第二特征部的三维位置信息的三个坐标值，std表示方差函数，mean表示均值函数。

21.根据权利要求12或13所述的装置，其特征在于，还包括：

图像获取模块，其配置为获取目标图像；

识别模块，其配置为识别所述目标图像中的目标对象。

22.根据权利要求12或13所述的装置，其特征在于，所述第一特征部包括：头部、颈部、肩部、肘部、腕部、髋部、膝部、踝部中的至少一种。

23.一种电子设备，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11中任意一项所述的方法。

24.一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11中任意一项所述的方法。

Images