CN109472289A - 关键点检测方法和设备 - Google Patents

关键点检测方法和设备 Download PDF

Info

Publication number
CN109472289A
CN109472289A CN201811174281.7A CN201811174281A CN109472289A CN 109472289 A CN109472289 A CN 109472289A CN 201811174281 A CN201811174281 A CN 201811174281A CN 109472289 A CN109472289 A CN 109472289A
Authority
CN
China
Prior art keywords
feature
map
network
key point
detected
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
Application number
CN201811174281.7A
Other languages
English (en)
Other versions
CN109472289B (zh
Inventor
刘诚
张默
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 Moshanghua Technology Co Ltd
Original Assignee
Beijing Moshanghua Technology 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 Moshanghua Technology Co Ltd filed Critical Beijing Moshanghua Technology Co Ltd
Priority to CN201811174281.7A priority Critical patent/CN109472289B/zh
Publication of CN109472289A publication Critical patent/CN109472289A/zh
Application granted granted Critical
Publication of CN109472289B publication Critical patent/CN109472289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种关键点检测方法和设备。该关键点检测方法包括，通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的特征图feature‑map；将不同网络层识别出的feature‑map整合为所述待检测图像的feature‑map；确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络；通过所述关键点识别网络识别所述待检测图像的feature‑map中的关键点。本申请解决了关键点检测时准确率不高，关键点检测网络建立时间长的技术问题。

Description

关键点检测方法和设备
技术领域
本申请涉及图像识别领域，具体而言，涉及一种关键点检测方法和设备。
背景技术
人体姿态识别对于描述人体姿态，预测人体行为至关重要。而人体关键点的检测是识别人体姿态的重要基础，因此，人体关键点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测，以及自动驾驶等。近年来，随着深度学习技术的发展，人体关键点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。
而现有技术中的关键点检测方法，存在检测准确率不高，以及检测网络模型建立时，训练速度较慢，花费时间较长的问题，针对相关技术中存在的上述关键点检测时准确率不高，关键点检测网络建立时间长的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种关键点检测方法和设备，以解决现有技术中关键点检测时准确率不高，关键点检测网络建立时间长的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种关键点检测方法。
根据本申请的关键点检测方法包括：
通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的特征图feature-map；
将不同网络层识别出的feature-map整合为所述待检测图像的feature-map；
确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络；
通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
进一步的，所述通过卷积神经网络获取待识别图像的feature-map，包括：
通过ResNet网络获取待识别图像的feature-map。
进一步的，所述ResNet网络包括五层网络层；
所述提取所述卷积神经网络的不同网络层对所述待检测图像识别出的 feature-map包括：
提取所述ResNet网络的第三～五层网络层输出的feature-map。
进一步的，所述将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，包括：
将不同网络层识别出的feature-map统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
进一步的，所述确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络，包括：
所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，所述当前的特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
为了实现上述目的，根据本申请的另一方面，提供了一种关键点检测设备。
根据本申请的检测设备包括：
特征图feature-map提取装置，用于通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的 feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的 feature-map；
关键点识别网络训练装置，用于确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络；
关键点识别装置，用于通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
进一步的，所述feature-map提取装置，通过ResNet网络获取待识别图像的feature-map。
进一步的，所述ResNet网络包括五层网络层；
所述feature-map提取装置，用于提取所述ResNet网络的第三～五层网络层输出的feature-map。
进一步的，所述feature-map提取装置，将不同网络层识别出的feature-map 统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
进一步的，所述关键点识别网络训练装置，用于在所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，所述当前的特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
在本申请的方案中，通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，以得到待识别图像不同层次的信息，并在关键点识别网络的训练过程中，根据关键点识别的准确率调整关键点识别网络的特征点连线数量，提高了关键点识别的准确率，减少了建立关键点识别网络所需要的时间。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的方法流程图；
图2是根据本申请实施例的网络结构示意图
图3是根据本申请实施例的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
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。
根据本发明实施例，提供了一种关键点检测方法，如图1，2所示，该一种关键点检测方法包括如下的步骤S101至步骤S104。
S101，通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的特征图feature-map。
卷积神经网络由不同的网络层组成，所述卷积神经网络对输入的待检测图像进行特征提取，每个网络层输出相应的feature-map。在本申请的实施例中，通过卷积网络对待检测图像进行识别时，提取不同网络层输出的feature-map。
S102，将不同网络层识别出的feature-map整合为所述待检测图像的 feature-map。
卷积神经网络不同网络层输出的feature-map，体现了待检测图像的不同特征。例如，第一层网络层(较低层)输出的feature-map能够体现待检测图像更多的的细节特征信息，中间网络层输出的feature-map能够体现待检测图像中某一部分的轮廓信息，而较高层(例如第五网络层)输出的特征信息距离原始图像更加靠近，可以更好的获得待检测图像的总体特征，可以看出待检测图片的整体结构。
其中，第一层网络层、第五层网络层中记载的“第一”、“第五”等是相对概念，例如第一网络层也可以表示输入原始图像的网络层。
通过上面的描述可知，卷积网络的不同网络层输出的feature-map包括的特征信息表示了待检测图片不同的特征信息。在本申请的实施例中，将不同网络层输出的feature-map整合为一个feature-map，将整合后的feature-map作为待检测图像的feature-map。从而使获得的待检测图像的feature-map中包括了待检测图片的不同层次的特征信息，从而在进行关键点识别时，提高了关键点识别的准确率。
S103，确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络。
其中，所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，所述当前的特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
在实施时，优选的，关键点识别网络为CMU网络，通过模型训练的方式建立CMU网络。其中，常用的CMU网络，受限于特征点的数量，采用有限的特征点连线数量，即特征点的数量确定以后，特征点连线的数量也是固定的。而常用的CMU网络在建立过程中，网络收敛较慢，网络的建立需要花费较长的时间。
在本申请的方案中，在关键点识别网络训练阶段，将数据分为训练数据和测试数据，通过训练数据建立关键点识别网络，在网络建立过程中，调整特征点连线的数量，即特征点连线的数量不受限于特征点的数量。优选的，可以逐步增加特征点连线的数量，当特征点连线的数量变化时，通过测试数据计算基于当前特征点连线数量建立的关键点识别网络进行关键点识别时的识别准确率，将获得的准确率与一预设的准确率阈值进行比较，当不低于预设的准确率阈值时，停止调整特征点连线的数量，并基于当前特征点连线的数量建立所述关键点识别网络。其中，预设的准确率阈值可以根据对关键点识别的准确率的不同要求进行相应的设置，可选的，所述预设的准确率阈值为90％。本申请的关键点识别网络在训练过程中，提高了收敛速度，减少了网络训练需要的时间。
S104，通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
其中，基于前述步骤中建立的关键点识别网络识别待检测图像的 feature-map中的关键点。具体在实施时，可以将待检测图像的feature-map、关键点热度图以及特征点连线等信息作为关键点识别网络的输入，通过所述关键点识别网络对待检测图像的关键点信息进行识别。
从以上的描述中，可以看出，本发明实现了如下技术效果：通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，以得到待识别图像不同层次的信息，并在关键点识别网络的训练过程中，根据关键点识别的准确率调整关键点识别网络的特征点连线数量，提高了关键点识别的准确率，减少了建立关键点识别网络所需要的时间。
根据本发明的另一实施例，提供了一种关键点检测方法，如图1，图2所示，该一种关键点检测方法包括如下的步骤S101至步骤S104。
S101，通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的特征图feature-map。
其中，所述通过卷积神经网络获取待识别图像的feature-map，包括：通过 ResNet网络获取待识别图像的feature-map，所述ResNet网络包括五层网络层；所述提取所述卷积神经网络的不同网络层对所述待检测图像识别出的 feature-map包括：提取所述ResNet网络的第三～五层网络层输出的 feature-map。
在具体实施时，优选的，可以选择残差网络，即ResNet网络(residual network)对待检测图像进行识别，提取所述ResNet网络不同网络层输出的 feature-map。由于不同网络层输出的feature-map的尺度不同，为了避免在 feature-map整合时由于尺度变换导致的feature-map信息损失，本申请的方案选择提取相邻近的第三～五层网络层输出的feature-map。
S102，将不同网络层识别出的feature-map整合为所述待检测图像的 feature-map。
其中，所述将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，包括：将不同网络层识别出的feature-map统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的 feature-map。
同样的，ResNet网络的不同网络层输出的feature-map，体现了待检测图像的不同特征。例如，第一层网络层(较低层)输出的feature-map能够体现待检测图像更多的的细节特征信息，中间网络层输出的feature-map能够体现待检测图像中某一部分的轮廓信息，而较高层(例如第五网络层)输出的特征信息距离原始图像更加靠近，可以更好的获得待检测图像的总体特征，例如可以看出待检测图片的整体结构等。
由于不同网络层输出的feature-map的尺度是不同的，因此，将不同网络层输出的feature-map进行整合时，需要先将不同网络层输出的feature-map进行尺度转换以得到尺度相同的feature-map。具体的，在进行尺度转换时，可以对低层次的feature-map进行“下采样”以得到与高层次尺度相同的feature-map，或者可以对高层次的feature-map进行“上采样”以得到与低层次尺度相同的 feature-map。具体的，可以第三、四网络层输出的feature-map进行“下采样”以得到与第五网络层输出的feature-map尺度相同的feature-map。将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
S103，确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络。
其中，所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，所述当前的特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
在实施时，优选的，关键点识别网络为CMU网络，通过模型训练的方式建立CMU网络。其中，常用的CMU网络受限于特征点的数量，采用有限的特征点连线数量，即特征点的数量确定以后，特征点连线的数量也是固定的。而常用的CMU网络在建立过程中，网络收敛较慢，网络的建立需要花费较长的时间。
在本申请的方案中，在关键点识别网络训练阶段，将数据分为训练数据和测试数据，通过训练数据建立关键点识别网络，在网络建立过程中，调整特征点连线的数量，即特征点连线的数量不受限于特征点的数量。优选的，可以逐步增加特征点连线的数量，当特征点连线的数量变化时，通过测试数据计算基于当前特征点连线数量建立的关键点识别网络进行关键点识别时的识别准确率，将获得的准确率与一预设的准确率阈值进行比较，当不低于预设的准确率阈值时，停止调整特征点连线的数量，并基于当前特征点连线的数量建立所述关键点识别网络。其中，预设的准确率阈值可以根据对关键点识别的准确率的要求进行设置，可选的，所述预设的准确率阈值为90％。本申请的关键点识别网络在训练过程中，提高了收敛速度，减少了网络训练需要的时间。
S104，通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
其中，基于前述步骤中建立的关键点识别网络识别待检测图像的 feature-map中的关键点。具体在实施时，可以将待检测图像的feature-map、关键点热度图以及特征点连线等信息作为关键点识别网络的输入，通过所述关键点识别网络对待检测图像的关键点信息进行识别。
从以上的描述中，可以看出，本发明实现了如下技术效果：通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，以得到待识别图像不同层次的信息，并在关键点识别网络的训练过程中，根据关键点识别的准确率调整关键点识别网络的特征点连线数量。通过结合feature-map提取时的特征以及关键点识别网络训练时的特征，在提高关键点识别的准确率的同时，减少了建立关键点识别网络所需要的时间。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述关键点检测方法的关键点检测设备，如图3所示，该设备包括：feature-map提取装置，关键点识别网络训练装置和关键点识别装置。
其中，所述feature-map提取装置，用于通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的 feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的 feature-map。
优选的，所述feature-map提取装置，通过ResNet网络获取待识别图像的feature-map，所述ResNet网络包括五层网络层；具体的，所述feature-map提取装置，用于提取所述ResNet网络的第三～五层网络层输出的feature-map，将不同网络层识别出的feature-map统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
其中，所述关键点识别网络训练装置，用于确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络。具体的，所述关键点识别网络训练装置，用于在所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，所述当前的特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
其中，所述关键点识别装置，用于通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种关键点检测方法，其特征在于，包括：
通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的特征图feature-map；
将不同网络层识别出的feature-map整合为所述待检测图像的feature-map；
确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络；
通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
2.根据权利要求1所述的方法，其特征在于，
所述通过卷积神经网络对待检测图像进行识别，包括：
通过ResNet网络对待检测图像进行识别。
3.根据权利要求2所述的方法，其特征在于，
所述ResNet网络包括五层网络层；
所述提取所述卷积神经网络的不同网络层对所述待检测图像识别出的feature-map包括：
提取所述ResNet网络的第三～五层网络层输出的feature-map。
4.根据权利要求1-3任一项所述的方法，其特征在于，
所述将不同网络层识别出的feature-map整合为所述待检测图像的feature-map，包括：
将不同网络层识别出的feature-map统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
5.根据权利要求4所述的方法，其特征在于，
所述确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络，包括：
所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，当前所述特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
6.一种关键点检测设备，其特征在于，包括：
特征图feature-map提取装置，用于通过卷积神经网络对待检测图像进行识别，提取所述卷积神经网络的不同网络层对所述待检测图像识别出的feature-map，将不同网络层识别出的feature-map整合为所述待检测图像的feature-map；
关键点识别网络训练装置，用于确定关键点识别网络所需的特征点连线的数量，建立关键点识别网络；
关键点识别装置，用于通过所述关键点识别网络识别所述待检测图像的feature-map中的关键点。
7.根据权利要求6所述的设备，其特征在于，
所述feature-map提取装置，通过ResNet网络对待检测图像进行识别。
8.根据权利要求7所述的设备，其特征在于，
所述ResNet网络包括五层网络层；
所述feature-map提取装置，用于提取所述ResNet网络的第三～五层网络层输出的feature-map。
9.根据权利要求6-8任一项所述的设备，其特征在于，
所述feature-map提取装置，将不同网络层识别出的feature-map统一为相同尺度，将统一为相同尺度的不同网络层识别出的feature-map整合为所述待检测图像的feature-map。
10.根据权利要求9所述的设备，其特征在于，
所述关键点识别网络训练装置，用于在所述关键点识别网络在训练阶段时，调整所述特征点连线的数量，并计算当前所述特征点连线的数量对应的所述关键点识别网络的识别准确率，当所述识别准确率不低于预设的准确率阈值时，当前所述特征点连线的数量为确定的特征点连线的数量，根据所述确定的特征点连线的数量建立所述关键点识别网络。
CN201811174281.7A 2018-10-09 2018-10-09 关键点检测方法和设备 Active CN109472289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811174281.7A CN109472289B (zh) 2018-10-09 2018-10-09 关键点检测方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811174281.7A CN109472289B (zh) 2018-10-09 2018-10-09 关键点检测方法和设备

Publications (2)

Publication Number Publication Date
CN109472289A true CN109472289A (zh) 2019-03-15
CN109472289B CN109472289B (zh) 2022-03-29

Family

ID=65664858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811174281.7A Active CN109472289B (zh) 2018-10-09 2018-10-09 关键点检测方法和设备

Country Status (1)

Country Link
CN (1) CN109472289B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008873A (zh) * 2019-04-25 2019-07-12 北京华捷艾米科技有限公司 面部表情捕捉方法、系统及设备
US11373413B2 (en) * 2018-10-26 2022-06-28 Autobrains Technologies Ltd Concept update and vehicle to vehicle communication

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592129A (zh) * 2012-01-02 2012-07-18 西安电子科技大学 基于场景驱动的智能手机图像特征点选取方法
CN107766811A (zh) * 2017-10-10 2018-03-06 浙江大学 一种基于复杂流型结构的人脸识别方法及系统
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108229445A (zh) * 2018-02-09 2018-06-29 深圳市唯特视科技有限公司 一种基于级联金字塔网络的多人姿态估计方法
WO2018121737A1 (zh) * 2016-12-30 2018-07-05 北京市商汤科技开发有限公司 关键点预测、网络训练及图像处理方法和装置、电子设备
CN108280455A (zh) * 2018-01-19 2018-07-13 北京市商汤科技开发有限公司 人体关键点检测方法和装置、电子设备、程序和介质
CN108319930A (zh) * 2018-03-09 2018-07-24 百度在线网络技术（北京）有限公司 身份认证方法、系统、终端和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592129A (zh) * 2012-01-02 2012-07-18 西安电子科技大学 基于场景驱动的智能手机图像特征点选取方法
WO2018121737A1 (zh) * 2016-12-30 2018-07-05 北京市商汤科技开发有限公司 关键点预测、网络训练及图像处理方法和装置、电子设备
CN107766811A (zh) * 2017-10-10 2018-03-06 浙江大学 一种基于复杂流型结构的人脸识别方法及系统
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108280455A (zh) * 2018-01-19 2018-07-13 北京市商汤科技开发有限公司 人体关键点检测方法和装置、电子设备、程序和介质
CN108229445A (zh) * 2018-02-09 2018-06-29 深圳市唯特视科技有限公司 一种基于级联金字塔网络的多人姿态估计方法
CN108319930A (zh) * 2018-03-09 2018-07-24 百度在线网络技术（北京）有限公司 身份认证方法、系统、终端和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YILUN CHEN ET AL.: "Cascaded Pyramid Network for Multi-Person Pose Estimation", 《HTTPS://ARXIV.ORG/PDF/1711.07319.PDF》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11373413B2 (en) * 2018-10-26 2022-06-28 Autobrains Technologies Ltd Concept update and vehicle to vehicle communication
CN110008873A (zh) * 2019-04-25 2019-07-12 北京华捷艾米科技有限公司 面部表情捕捉方法、系统及设备

Also Published As

Publication number Publication date
CN109472289B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN110298361B (zh) 一种rgb-d图像的语义分割方法和系统
CN106980858B (zh) 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法
CN106503742B (zh) 一种可见光图像绝缘子识别方法
CN110084292A (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN107657249A (zh) 多尺度特征行人重识别的方法、装置、存储介质及处理器
CN110245678B (zh) 一种基于异构孪生区域选取网络的图像匹配方法
CN105760835A (zh) 一种基于深度学习的步态分割与步态识别一体化方法
CN106650699A (zh) 一种基于卷积神经网络的人脸检测方法及装置
CN109271990A (zh) 一种针对rgb-d图像的语义分割方法及装置
CN109165660A (zh) 一种基于卷积神经网络的显著物体检测方法
CN108960015A (zh) 一种基于深度学习的车系自动识别方法及装置
CN108197669B (zh) 卷积神经网络的特征训练方法及装置
CN111310518B (zh) 图片特征提取方法、目标重识别方法、装置及电子设备
KR20160053749A (ko) 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템
CN107679539B (zh) 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN105373810B (zh) 一种用于建立动作识别模型的方法及系统
CN113076891B (zh) 基于改进高分辨率网络的人体姿态预测方法及系统
CN108073851A (zh) 一种抓取手势识别的方法、装置及电子设备
CN116052218B (zh) 一种行人重识别方法
CN112561056A (zh) 神经网络模型的训练方法、装置、电子设备和存储介质
CN108198172A (zh) 图像显著性检测方法和装置
CN109472289A (zh) 关键点检测方法和设备
CN109671055A (zh) 肺结节检测方法及装置
CN109670423A (zh) 一种基于深度学习的图像识别系统、方法及介质

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