CN109522910A - 关键点检测方法及装置、电子设备和存储介质 - Google Patents

关键点检测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109522910A
CN109522910A CN201811593614.XA CN201811593614A CN109522910A CN 109522910 A CN109522910 A CN 109522910A CN 201811593614 A CN201811593614 A CN 201811593614A CN 109522910 A CN109522910 A CN 109522910A
Authority
CN
China
Prior art keywords
key point
region
pixel
direction vector
image
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
CN201811593614.XA
Other languages
English (en)
Other versions
CN109522910B (zh
Inventor
周晓巍
鲍虎军
彭思达
刘缘
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.)
Zhejiang Sensetime Technology Development Co Ltd
Original Assignee
Zhejiang 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 Zhejiang Sensetime Technology Development Co Ltd filed Critical Zhejiang Sensetime Technology Development Co Ltd
Priority to CN201811593614.XA priority Critical patent/CN109522910B/zh
Publication of CN109522910A publication Critical patent/CN109522910A/zh
Priority to KR1020207029436A priority patent/KR102421820B1/ko
Priority to JP2021501076A priority patent/JP2021516838A/ja
Priority to PCT/CN2019/122112 priority patent/WO2020134866A1/zh
Priority to SG11202009794RA priority patent/SG11202009794RA/en
Priority to US17/038,000 priority patent/US20210012143A1/en
Application granted granted Critical
Publication of CN109522910B publication Critical patent/CN109522910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

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

Abstract

本公开涉及一种关键点检测方法及装置、电子设备和存储介质，所述方法包括：确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量；根据像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。根据本公开的实施例的关键点检测方法，可获得各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，并可根据第一方向向量来确定各区域中的关键点的位置，避免了目标区域受到遮挡或超出图像的拍摄范围的影响，提高了关键点检测的鲁棒性，并提高了检测的准确率。

Description

关键点检测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种关键点检测方法及装置、电子设备和存储介质。
背景技术
在相关技术中，一帧图像中可能出现多个目标，例如，人脸、物体和景物等，所示多个目标在图像中可能会重叠、遮挡或互相影响，从而造成对该图像的关键点检测不准确，同时，目标可能被遮挡，或者超出图像的拍摄范围，即，目标的一部分未被拍摄到，也可能造成关键点检测的鲁棒性不高，以及目标点检测不准确。
发明内容
本公开提出了一种关键点检测方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种关键点检测方法，包括：
确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
根据本公开的实施例的关键点检测方法，可获得各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，并可根据第一方向向量来确定各区域中的关键点的位置，避免了目标区域受到遮挡或超出图像的拍摄范围的影响，提高了关键点检测的鲁棒性，并提高了检测的准确率。
在一种可能的实现方式中，根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置，包括：
根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，其中，所述目标区域为所述一个或多个区域中的任意一个；
根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。
通过这种方式，可检测目标区域中的关键点估计坐标，可针对每个目标区域确定关键点估计坐标，降低不同区域之间的互相影响，提高关键点检测的准确率。进一步地，可通过第二方向向量确定关键点估计坐标，通过第一方向向量与第二方向向量的内积确定关键点估计坐标的权值，并对各关键点估计坐标进行加权平均处理，获得关键点的位置，可获得关键点的位置的概率分布，提高确定关键点位置的精度。
在一种可能的实现方式中，根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，包括：
根据所述像素点所在区域，对待处理图像的多个像素点进行筛选，确定属于所述目标区域的多个目标像素点；
将任意两个目标像素点的第一方向向量的交点的坐标确定为关键点估计坐标；
根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值，包括：
根据所述关键点估计坐标以及目标区域中的多个像素点的坐标，分别确定所述目标区域中的多个像素点指向关键点估计坐标的第二方向向量；
确定所述目标区域中的各像素点的第二方向向量与第一方向向量的内积；
确定所述目标区域中的多个像素点中，内积大于或等于预定阈值的像素点的目标数量；
根据所述目标数量，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，包括：
将待处理图像进行特征提取处理处理，获得预设分辨率的第一特征图；
将所述第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图；
将所述第二特征图进行第一卷积处理，确定各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。
通过这种方式，可在获得与待处理图像分辨率相同的第二特征图后，对第二特征图进行卷积处理，以降低处理量，提高处理效率。
在一种可能的实现方式中，将待处理图像进行特征提取处理，获得预设分辨率的第一特征图，包括：
将待处理图像进行第二卷积处理，获得预设分辨率的第三特征图；
将所述第三特征图进行空洞卷积处理，获得所述第一特征图。
通过这种方式，可获得预设分辨率的第三特征图，对处理精度的影响较小，并通过空洞卷积处理扩大感受野，同时不损失处理精度，可提高特征提取操作的处理精度。
在一种可能的实现方式中，通过神经网络确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，
其中，所述方法还包括：
通过多个具有分区标注和关键点标注的样本图像训练所述神经网络。
根据本公开的另一方面，提供了一种关键点检测装置，包括：
第一确定模块，用于确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
第二确定模块，用于根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，其中，所述目标区域为所述一个或多个区域中的任意一个；
根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述像素点所在区域，对待处理图像的多个像素点进行筛选，确定属于所述目标区域的多个目标像素点；
将任意两个目标像素点的第一方向向量的交点的坐标确定为关键点估计坐标；
根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述关键点估计坐标以及目标区域中的多个像素点的坐标，分别确定所述目标区域中的多个像素点指向关键点估计坐标的第二方向向量；
确定所述目标区域中的各像素点的第二方向向量与第一方向向量的内积；
确定所述目标区域中的多个像素点中，内积大于或等于预定阈值的像素点的目标数量；
根据所述目标数量，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
将待处理图像进行特征提取处理处理，获得预设分辨率的第一特征图；
将所述第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图；
将所述第二特征图进行第一卷积处理，确定各像素点所在区域以及指向关键点的第一方向向量。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
将待处理图像进行第二卷积处理，获得预设分辨率的第三特征图；
将所述第三特征图进行空洞卷积处理，获得所述第一特征图。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
通过神经网络确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，
其中，所述装置还包括：
训练模块，用于通过多个具有分区标注和关键点标注的样本图像训练所述神经网络。
根据本公开的另一方面，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：执行上述关键点检测方法。
根据本公开的另一方面，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关键点检测关键点检测方法。
根据本公开的实施例的关键点检测方法，可使用神经网络获得各像素点所在区域，并可检测目标区域中的关键点估计坐标，所述神经网络通过空洞卷积层扩大感受野，同时不损失处理精度，可提高特征提取操作的处理精度，还可在获得与待处理图像分辨率相同的第二特征图后，对第二特征图进行卷积处理，以降低处理量，提高处理效率。可针对每个目标区域确定关键点估计坐标，降低不同区域之间的互相影响，并可对各关键点估计坐标进行加权平均处理，获得关键点的位置，可获得关键点的位置的概率分布，提高确定关键点位置的精度。并避免了目标区域受到遮挡或超出图像的拍摄范围的影响，提高了关键点检测的鲁棒性，并提高了检测的准确率。
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关键点检测方法的流程图；
图2示出根据本公开实施例的关键点检测方法的流程图；
图3示出根据本公开实施例的关键点检测方法的应用示意图；
图4示出根据本公开实施例的关键点检测装置的框图；
图5示出根据本公开实施例的关键点检测装置的框图；
图6示出根据本公开实施例的电子装置的框图；
图7示出根据本公开实施例的电子装置的框图。
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。
图1示出根据本公开实施例的关键点检测方法的流程图，如图1所示，所述方法包括：
在步骤S11中，确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
在步骤S12中，根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
根据本公开的实施例的关键点检测方法，可获得各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，并可根据第一方向向量来确定各区域中的关键点的位置，避免了目标区域受到遮挡或超出图像的拍摄范围的影响，提高了关键点检测的鲁棒性，并提高了检测的准确率。
在一种可能的实现方式中，在步骤S11中，可使用神经网络来获取待处理图像的各像素点所在的区域以及指向各区域的关键点的第一方向向量。所述神经网络可以是卷积神经网络，本公开对神经网络的类型不作限制。在示例中，可将包括一个或多个目标对象的待处理图像输入所述神经网络进行处理，可获得待处理图像的各像素点所在的区域相关的参数以及各像素点指向各像素点所在区域的关键点的第一方向向量。
在示例中，待处理图像中具有A和B两个目标对象，则待处理图像可分为三个区域，即，目标对象A所在的区域A、目标对象B所在的区域B以及背景区域，可使用区域的任意参数来表示像素点所在的区域，例如，坐标为(10、20)像素点在区域A中，则该像素点可被表示为(10、20、A)，坐标为(50、80)像素点在背景区域中，则该像素点可被表示为(50、80、C)。在示例中，像素点所在的区域也可使用像素点处于某区域的概率来表示，例如，某像素点属于A区域的概率为60％，属于B区域的概率为10％，属于C区域的概率为15％，属于背景区域的概率为15％，则可确定该像素点属于A区域。或者使用数值区间来表示像素点所在区域，例如，神经网络可输出表示某像素点所在区域的参数x，如果0≤x＜25，则该像素点属于A区域，如果25≤x＜50，则该像素点属于B区域，如果50≤x＜75，则该像素点属于C区域，如果75≤x≤100，则该像素点属于背景区域。本公开对表示像素点所在区域的参数不做限制。在示例中，多个区域也可以是一个目标对象的多个区域，例如，目标对象为人脸，区域A为额头区域、B为脸颊区域…本公开对区域不做限制。
在示例中，所述神经网络还可获取由像素点指向该像素点所在区域的关键点的方向向量，例如，所述方向向量可以是单位向量，可根据以下公式(1)确定所述单位向量：
其中，vk(p)为所述第一方向向量，p为任一像素点，xk为p所在的第k个区域的关键点，||xk-p||2为向量xk-p的模，即，所述第一方向向量为单位向量。
在示例中，可将像素点所在区域和第一方向向量与所述像素点的坐标共同表示，例如，(10、20、A、0.707、0.707)，其中，(10、20)为像素点的坐标，A表示像素点所在的区域为A区域，(0.707、0.707)为所述像素点指向A区域的关键点的第一方向向量。
在一种可能的实现方式中，步骤S11包括：将待处理图像进行特征提取处理，获得预设分辨率的第一特征图；将所述第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图；将所述第二特征图进行第一卷积处理，确定各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。
在一种可能的实现方式中，可通过神经网络确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。所述神经网络至少包括下采样子网络、上采样子网络以及特征确定子网络。
在一种可能的实现方式中，将待处理图像进行特征提取处理，获得预设分辨率的第一特征图，包括：将待处理图像进行第二卷积处理，获得预设分辨率的第三特征图；将所述第三特征图进行空洞卷积处理，获得所述第一特征图。
在一种可能的实现方式中，可通过所述下采样子网络可对待处理图像进行下采样处理，所述下采样子网络可包括第二卷积层和空洞卷积层，其中，下采样子网络的第二卷积层可对待处理图像进行第二卷积处理，所述第二卷积层还可包括池化层，可对待处理图像进行池化等下采样处理，经过第二卷积层的处理后，可获得预设分辨率的第三特征图。在示例中，所述第三特征图为预设分辨率的特征图，例如，待处理图像的分辨率为H×W(H和W为正整数)，预设分辨率为H/8×W/8，本公开对预设分辨率不做限制。
在一种可能的实现方式中，在获得预设分辨率的第三特征图后，为使处理精度不再下降，可不再进行池化等下采样处理，而使用空洞卷积层进行特征提取处理，可将预设分辨率的第三特征图输入所述空洞卷积层进行空洞卷积处理，获得所述第一特征图，所述空洞卷积层可在扩大对第三特征图的感受野的同时，不再降低分辨率，可提高处理精度。
通过这种方式，可获得预设分辨率的第三特征图，对处理精度的影响较小，并通过空洞卷积处理扩大感受野，同时不损失处理精度，可提高特征提取操作的处理精度。
在一种可能的实现方式中，可通过所述上采样子网络对第一特征图进行上采样处理，即，可将第一特征图输入所述上采样子网络进行上采样处理，获得与待处理图像分辨率相同的第二特征图(例如，第二特征图的分辨率为H×W)。在示例中，上采样子网络可包括反卷积层，可通过反卷积处理对第一特征图进行上采样，在示例中，上采样子网络还可通过插值法等处理对第一特征图进行上采样。
在一种可能的实现方式中，可通过特征确定子网络对第二特征图进行第一卷积处理，在示例中，所述特征确定子网络包括第一卷积层，可通过所述第一卷积层对所述第二特征图进行第一卷积处理，确定各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。
在一种可能的实现方式中，第二特征图与待处理图像的分辨率相同，可不再进行全连接处理，即，特征确定子网络可不包括全连接层。所述特征确定子网络可包括具有一个或多个1×1卷积核的第一卷积层，可通过第一卷积层对第二特征图进行第一卷积处理，可获得第二特征图的各像素点所在区域以及指向关键点的第一方向向量。由于第二特征图与待处理图像分辨率相同，因此，可将第二特征图的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量确定为待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。例如，第二特征图中的坐标为(10、20)的像素点，经过特征确定子网络处理后，可获得(10、20、A、0.707、0.707)的输出，表示坐标为(10、20)的像素点所在区域为A区域，该像素点指向A区域的关键点的第一方向向量为(0.707、0.707)。可将该输出用于表示待处理图像的坐标为(10、20)的像素点所在区域以及该像素点指向其所在区域的关键点的第一方向向量，即，待处理图像中坐标为(10、20)的像素点所在区域为A区域，该像素点指向A区域的关键点的第一方向向量为(0.707、0.707)。
通过这种方式，可在获得与待处理图像分辨率相同的第二特征图后，对第二特征图进行卷积处理，以降低处理量，提高处理效率。
在一种可能的实现方式中，步骤S12可根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置，即，各区域中的关键点坐标。步骤S12可包括：根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，其中，所述目标区域为所述一个或多个区域中的任意一个；根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。
在一种可能的实现方式中，根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，可包括：根据所述像素点所在区域，对待处理图像的多个像素点进行筛选，确定属于所述目标区域的多个目标像素点；将任意两个目标像素点的第一方向向量的交点的坐标确定为关键点估计坐标，其中，所述关键点估计坐标为所述多个关键点估计坐标中的一个；根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，可筛选出目标区域中的所有像素点作为所述目标像素点，例如，可通过所述神经网络针对各像素点所在区域的输出，来筛选目标区域中的所有像素点。在示例中，目标区域为区域A，可在待处理图像的所有像素点中，筛选出神经网络的输出为A的所有像素点，由这些像素点组成的区域即为区域A，本公开对目标区域不做限制。
在一种可能的实现方式中，可在目标区域(例如，区域A)中任选两个目标像素点，两个目标像素点均具有所述第一方向向量，且两个目标像素点的第一方向向量均指向目标区域的关键点，可确定两个第一方向向量的交点，该交点即为关键点的估计位置，即，关键点估计坐标。在示例中，每个目标像素点的第一方向向量可能具有误差，因此，关键点估计坐标不是唯一的，由两个目标像素点的第一方向向量的交点确定的关键点估计坐标与另外两个目标像素点的第一方向向量的交点确定的关键点估计坐标可不同，可按照这种方式，多次获取任意两个目标像素点的第一方向向量的交点，以获得多个关键点估计坐标。
在一种可能的实现方式中，可确定关键点估计坐标的权值。根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值，包括：根据所述关键点估计坐标以及目标区域中的多个像素点的坐标，分别确定所述目标区域中的多个像素点指向关键点估计坐标的第二方向向量；确定所述目标区域中的各像素点的第二方向向量与第一方向向量的内积；确定所述目标区域中的多个像素点中，内积大于或等于预定阈值的像素点的目标数量；根据所述目标数量，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，可针对某个关键点估计坐标，确定该关键点估计坐标的权值。可获取关键点估计坐标所在区域的各像素点指向该关键点估计坐标的第二方向向量。所述第二方向向量可以是单位向量。可使用目标区域中各目标像素点指向该关键点估计坐标的第二方向向量与各目标像素点指向目标区域中的关键点的第一方向向量，确定关键点估计坐标的权值。
在一种可能的实现方式中，可根据所述目标区域中的各像素点的第二方向向量与第一方向向量，确定该关键点估计坐标的权值。可确定目标区域中的各像素点的第二方向向量与第一方向向量的内积，并将各像素点对应的内积与预定阈值进行比较，并确定内积大于预定阈值的像素点的目标数量，例如，如果像素点的内积大于预定阈值，则标记为1，否则，标记为0，在目标区域中的所有像素点标记完成后，将所有像素点的标记相加，即可确定目标数量。
在一种可能的实现方式中，可通过所述目标数量，确定该关键点估计坐标的权值，在示例中，可通过以下公式(2)确定该关键点估计坐标的权值：
其中，wk,i为第k个区域(例如，区域A)中的第i个关键点(例如，该关键点)估计坐标的权值，O为该区域中所有像素点，p’为该区域中任一像素点，hk,i为该区域中第i个关键点估计坐标，为p’指向hk,i的第二方向向量，vk(p’)为p’的第一方向向量，θ为预定阈值，在示例中，θ的值可以是0.99，本公开对预定阈值不做限制。Ⅱ为激活函数，表示如果与vk(p’)的内积大于或等于预定阈值θ，则Ⅱ的值为1(即，标记为1)，否则，Ⅱ的值为0(即，标记为0)。公式(2)可表示对目标区域中的所有像素点的激活函数值(即，标记)相加获得的结果，即为关键点估计坐标hk,i的权值。本公开对内积大于或等于预定阈值时激活函数的值不做限制。
在一种可能的实现方式中，可迭代执行上述确定关键点估计坐标以及关键点估计坐标的权值的处理，可获得目标区域内的多个关键点估计坐标以及关键点估计坐标的权值。
在一种可能的实现方式中，可根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。在示例中，可通过以下公式(3)确定目标区域中的关键点的位置：
其中，μk为对第k个区域(例如，区域A)中的N(N为正整数)个关键点估计坐标进行加权平均处理后获得的坐标，即，第k个区域中的关键点的位置坐标。
在一种可能的实现方式中，还可通过极大似然估计的方法，确定与关键点对应的协方差矩阵，即，对目标区域中的各关键点估计坐标与关键点的位置坐标之间的协方差矩阵进行加权平均处理，获得的矩阵，在示例中，可通过以下公式(4)来表示与关键点对应的协方差矩阵：
在一种可能的实现方式中，关键点的位置坐标以及与关键点对应的协方差矩阵可用来表示目标区域中关键点可能存在的位置的概率分布。
在一种可能的实现方式中，可迭代执行上述获得目标区域的关键点的位置的处理，以获得待处理图像的各区域中的关键点的位置。
通过这种方式，可检测目标区域中的关键点估计坐标，可针对每个目标区域确定关键点估计坐标，降低不同区域之间的互相影响，提高关键点检测的准确率。进一步地，可通过第二方向向量确定关键点估计坐标，通过第一方向向量与第二方向向量的内积确定关键点估计坐标的权值，并对各关键点估计坐标进行加权平均处理，获得关键点的位置，可获得关键点的位置的概率分布，提高确定关键点位置的精度。
在一种可能的实现方式中，可在使用神经网络获取各像素点所在区域以及指向关键点的第一方向向量前，对所述神经网络进行训练。
图2示出根据本公开实施例的关键点检测方法的流程图，如图2所示，所述方法还包括：
在步骤S14中，通过多个具有分区标注和关键点标注的样本图像训练所述神经网络。
在一种可能的实现方式中，可将任一样本图像输入神经网络进行处理，可获得该样本图像的各像素点的第一样本方向向量以及各像素点所在区域的分区结果，第一样本方向向量和所述分区结果为神经网络的输出，可能存在误差。
在一种可能的实现方式中，可根据关键点标注，确定各区域中的关键点的第一方向向量，例如，某区域中标注的关键点的坐标为(10，10)，则坐标为(5，5)的像素点指向关键点的第一方向向量为(0.707，0.707)。
在一种可能的实现方式中，可根据第一方向向量与第一样本方向向量的差异，以及分区结果与分区标注之间的差异，确定神经网络的网络损失。在示例中，可根据第一方向向量与第一样本方向向量的差异，以及分区结果与分区标注之间的差异，确定各像素点的交叉熵损失函数，并对所述交叉熵损失函数进行正则化处理，以防止训练过程中出现过拟合的情况。可将正则化处理后的交叉熵损失函数确定为所述神经网络的网络损失。
在一种可能的实现方式中，可根据所述网络损失调整神经网络的网络参数，在示例中，可按照使网络损失最小化的方向调整所述网络参数，例如，可利用梯度下降法将网络损失进行反向传播，以调整神经网络的网络参数。并在神经网络满足训练条件时，获得训练后的神经网络。所述训练条件可以是调整次数，可将神经网络的网络参数调整预定次数。又例如，训练条件可以是网络损失的大小或敛散性，可在网络损失降低到一定程度或收敛于一定阈值内时，停止调整，获得训练后的神经网络，并可将训练后的神经网络用于获取待处理图像的各像素点所在区域以及指向关键点的第一方向向量的处理中。
根据本公开的实施例的关键点检测方法，可使用神经网络获得各像素点所在区域，并可检测目标区域中的关键点估计坐标，所述神经网络通过空洞卷积层扩大感受野，同时不损失处理精度，可提高特征提取操作的处理精度，还可在获得与待处理图像分辨率相同的第二特征图后，对第二特征图进行卷积处理，以降低处理量，提高处理效率。可针对每个目标区域确定关键点估计坐标，降低不同区域之间的互相影响，并可对各关键点估计坐标进行加权平均处理，获得关键点的位置，可获得关键点的位置的概率分布，提高确定关键点位置的精度。并避免了目标区域受到遮挡或超出图像的拍摄范围的影响，提高了关键点检测的鲁棒性，并提高了检测的准确率。
图3示出根据本公开实施例的关键点检测方法的应用示意图，如图3所示，可将待处理图像输入预训练的神经网络中进行处理，可获得待处理图像的各像素点所在区域以及指向关键点的第一方向向量。在示例中，可通过神经网络的下采样子网络对待处理图像进行特征提取处理，即，通过下采样子网络的第二卷积层进行第二卷积处理，并通过空洞卷积层进行空洞卷积处理，获得预设分辨率的第一特征图。可对第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图。并可将第二特征图输入特征确定子网络的第一卷积层(具有一个或多个1×1卷积核)进行第一卷积处理，获得各像素点所在区域以及指向关键点的第一方向向量。
在一种可能的实现方式中，可在目标区域的多个像素点中，确定任意两个像素点的第一方向向量的交点，作为关键点估计坐标。可按照这种方式确定目标区域中的多个关键点估计坐标。
在一种可能的实现方式中，可确定各关键点估计坐标的权值，在示例中，可确定目标区域中各像素点指向某一关键点估计坐标的第二方向向量，确定各像素点的第二方向向量与第一方向向量的内积，并根据公式(2)使用激活函数确定该关键点估计坐标的权值，即，在所述内积大于或等于预定阈值时，激活函数的值为1，否则为0，进一步地，可将目标区域中各像素点的激活函数值相加，获得该关键点估计坐标的权值。可按照这种方式确定目标区域中各关键点估计坐标的权值。
在一种可能的实现方式中，可对目标区域中的各关键点估计坐标进行加权平均处理，获得目标区域的关键点的位置坐标，并可按照这种方式确定每个区域中的关键点的位置坐标。
图4示出根据本公开实施例的关键点检测装置的框图，如图4所示，所述装置包括：
第一确定模块11，用于确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
第二确定模块12，用于根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，其中，所述目标区域为所述一个或多个区域中的任意一个；
根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述像素点所在区域，对待处理图像的多个像素点进行筛选，确定属于所述目标区域的多个目标像素点；
将任意两个目标像素点的第一方向向量的交点的坐标确定为关键点估计坐标；
根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述关键点估计坐标以及目标区域中的多个像素点的坐标，分别确定所述目标区域中的多个像素点指向关键点估计坐标的第二方向向量；
确定所述目标区域中的各像素点的第二方向向量与第一方向向量的内积；
确定所述目标区域中的多个像素点中，内积大于或等于预定阈值的像素点的目标数量；
根据所述目标数量，确定所述关键点估计坐标的权值。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
将待处理图像进行特征提取处理处理，获得预设分辨率的第一特征图；
将所述第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图；
将所述第二特征图进行第一卷积处理，确定各像素点所在区域以及指向关键点的第一方向向量。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
将待处理图像进行第二卷积处理，获得预设分辨率的第三特征图；
将所述第三特征图进行空洞卷积处理，获得所述第一特征图。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
通过神经网络确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。
图5示出根据本公开实施例的关键点检测装置的框图，如图5所示，所述装置包括：
其中，所述装置还包括：
训练模块13，用于通过多个具有分区标注和关键点标注的样本图像训练所述神经网络。
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，本公开还提供了关键点检测装置、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关键点检测方法，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。
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。
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6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6，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7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7，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 (10)

1.一种关键点检测方法，其特征在于，所述方法包括：
确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
2.根据权利要求1所述的方法，其特征在于，根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置，包括：
根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，其中，所述目标区域为所述一个或多个区域中的任意一个；
根据所述关键点估计坐标的权值，对目标区域中的多个关键点估计坐标进行加权平均处理，获得目标区域中的关键点的位置。
3.根据权利要求2所述的方法，其特征在于，根据所述像素点所在区域以及所述第一方向向量，确定目标区域中的多个关键点估计坐标以及各关键点估计坐标的权值，包括：
根据所述像素点所在区域，对待处理图像的多个像素点进行筛选，确定属于所述目标区域的多个目标像素点；
将任意两个目标像素点的第一方向向量的交点的坐标确定为关键点估计坐标；
根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值。
4.根据权利要求3所述的方法，其特征在于，根据关键点估计坐标以及所述目标区域中的像素点，确定所述关键点估计坐标的权值，包括：
根据所述关键点估计坐标以及目标区域中的多个像素点的坐标，分别确定所述目标区域中的多个像素点指向关键点估计坐标的第二方向向量；
确定所述目标区域中的各像素点的第二方向向量与第一方向向量的内积；
确定所述目标区域中的多个像素点中，内积大于或等于预定阈值的像素点的目标数量；
根据所述目标数量，确定所述关键点估计坐标的权值。
5.根据权利要求1-4中任一项所述的方法，其特征在于，确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，包括：
将待处理图像进行特征提取处理处理，获得预设分辨率的第一特征图；
将所述第一特征图进行上采样处理，获得与待处理图像分辨率相同的第二特征图；
将所述第二特征图进行第一卷积处理，确定各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量。
6.根据权利要求5所述的方法，其特征在于，将待处理图像进行特征提取处理，获得预设分辨率的第一特征图，包括：
将待处理图像进行第二卷积处理，获得预设分辨率的第三特征图；
将所述第三特征图进行空洞卷积处理，获得所述第一特征图。
7.根据权利要求1-6中任一项所述的方法，其特征在于，通过神经网络确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，
其中，所述方法还包括：
通过多个具有分区标注和关键点标注的样本图像训练所述神经网络。
8.一种关键点检测装置，其特征在于，包括：
第一确定模块，用于确定待处理图像的各像素点所在区域以及各像素点指向所在区域的关键点的第一方向向量，其中，所述待处理图像包括一个或多个区域；
第二确定模块，用于根据所述像素点所在区域以及各区域中的多个像素点的第一方向向量，确定各区域中的关键点的位置。
9.一种电子设备，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7中任意一项所述的方法。
10.一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7中任意一项所述的方法。
CN201811593614.XA 2018-12-25 2018-12-25 关键点检测方法及装置、电子设备和存储介质 Active CN109522910B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201811593614.XA CN109522910B (zh) 2018-12-25 2018-12-25 关键点检测方法及装置、电子设备和存储介质
KR1020207029436A KR102421820B1 (ko) 2018-12-25 2019-11-29 키포인트 검출 방법, 장치, 전자 기기 및 기억 매체
JP2021501076A JP2021516838A (ja) 2018-12-25 2019-11-29 キーポイント検出方法、装置、電子機器及び記憶媒体
PCT/CN2019/122112 WO2020134866A1 (zh) 2018-12-25 2019-11-29 关键点检测方法及装置、电子设备和存储介质
SG11202009794RA SG11202009794RA (en) 2018-12-25 2019-11-29 Key point detection method and apparatus, electronic device and storage medium
US17/038,000 US20210012143A1 (en) 2018-12-25 2020-09-30 Key Point Detection Method and Apparatus, and Storage Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811593614.XA CN109522910B (zh) 2018-12-25 2018-12-25 关键点检测方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109522910A true CN109522910A (zh) 2019-03-26
CN109522910B CN109522910B (zh) 2020-12-11

Family

ID=65796959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811593614.XA Active CN109522910B (zh) 2018-12-25 2018-12-25 关键点检测方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20210012143A1 (zh)
JP (1) JP2021516838A (zh)
KR (1) KR102421820B1 (zh)
CN (1) CN109522910B (zh)
SG (1) SG11202009794RA (zh)
WO (1) WO2020134866A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288551A (zh) * 2019-06-29 2019-09-27 北京字节跳动网络技术有限公司 视频美化方法、装置及电子设备
CN110555812A (zh) * 2019-07-24 2019-12-10 广州视源电子科技股份有限公司 图像调整方法、装置和计算机设备
CN110969115A (zh) * 2019-11-28 2020-04-07 深圳市商汤科技有限公司 行人事件的检测方法及装置、电子设备和存储介质
CN111080749A (zh) * 2019-12-31 2020-04-28 广州供电局有限公司 配电网广域测量控制系统中多源量测的标注方法及装置
CN111223143A (zh) * 2019-12-31 2020-06-02 广州市百果园信息技术有限公司 关键点检测方法、装置及计算机可读存储介质
CN111310616A (zh) * 2020-02-03 2020-06-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
WO2020134866A1 (zh) * 2018-12-25 2020-07-02 浙江商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
CN112529985A (zh) * 2019-09-17 2021-03-19 北京字节跳动网络技术有限公司 图像处理方法及装置
CN112528986A (zh) * 2019-09-18 2021-03-19 马上消费金融股份有限公司 图像对齐方法、人脸识别方法及相关装置
CN117422721A (zh) * 2023-12-19 2024-01-19 天河超级计算淮海分中心 一种基于下肢ct影像的智能标注方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018033137A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 在视频图像中展示业务对象的方法、装置和电子设备
CN113111880B (zh) * 2021-05-12 2023-10-17 中国平安人寿保险股份有限公司 证件图像校正方法、装置、电子设备及存储介质
CN113838134B (zh) * 2021-09-26 2024-03-12 广州博冠信息科技有限公司 图像关键点检测方法、装置、终端和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101467307B1 (ko) * 2013-08-19 2014-12-01 성균관대학교산학협력단 인공 신경망 모델을 이용한 보행자 계수 방법 및 장치
EP2998930A1 (en) * 2014-09-16 2016-03-23 Kabushiki Kaisha Toshiba Moving body position estimating device, moving body position estimating method, and non-transitory recording medium
CN106575367A (zh) * 2014-08-21 2017-04-19 北京市商汤科技开发有限公司 用于基于多任务的人脸关键点检测的方法和系统
CN107729880A (zh) * 2017-11-15 2018-02-23 北京小米移动软件有限公司 人脸检测方法及装置
CN107886069A (zh) * 2017-11-10 2018-04-06 东北大学 一种多目标人体2d姿态实时检测系统及检测方法
CN108027884A (zh) * 2015-09-25 2018-05-11 高通股份有限公司 优化对象检测
CN108229489A (zh) * 2016-12-30 2018-06-29 北京市商汤科技开发有限公司 关键点预测、网络训练、图像处理方法、装置及电子设备
CN108520251A (zh) * 2018-04-20 2018-09-11 北京市商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
CN108875504A (zh) * 2017-11-10 2018-11-23 北京旷视科技有限公司 基于神经网络的图像检测方法和图像检测装置
CN108960211A (zh) * 2018-08-10 2018-12-07 罗普特（厦门）科技集团有限公司 一种多目标人体姿态检测方法以及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4367475B2 (ja) * 2006-10-06 2009-11-18 アイシン精機株式会社 移動物体認識装置、移動物体認識方法及びコンピュータプログラム
JP2009129237A (ja) * 2007-11-26 2009-06-11 Toshiba Corp 画像処理装置及びその方法
CN104881881B (zh) * 2014-02-27 2018-04-10 株式会社理光 运动对象表示方法及其装置
EP2977931A1 (en) * 2014-07-24 2016-01-27 Universität Zürich Method for tracking keypoints in a scene
KR20170024303A (ko) * 2015-08-25 2017-03-07 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
CN105654092B (zh) * 2015-11-25 2019-08-30 小米科技有限责任公司 特征提取方法及装置
CN106127755A (zh) * 2016-06-21 2016-11-16 奇瑞汽车股份有限公司 基于特征的图像匹配方法和装置
CN106340015B (zh) * 2016-08-30 2019-02-19 沈阳东软医疗系统有限公司 一种关键点的定位方法和装置
KR101917369B1 (ko) * 2017-04-24 2018-11-09 세종대학교산학협력단 컨볼루션 신경망을 이용한 영상 검색 방법 및 그 장치
CN108596093B (zh) * 2018-04-24 2021-12-03 北京市商汤科技开发有限公司 人脸特征点的定位方法及装置
CN109522910B (zh) * 2018-12-25 2020-12-11 浙江商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101467307B1 (ko) * 2013-08-19 2014-12-01 성균관대학교산학협력단 인공 신경망 모델을 이용한 보행자 계수 방법 및 장치
CN106575367A (zh) * 2014-08-21 2017-04-19 北京市商汤科技开发有限公司 用于基于多任务的人脸关键点检测的方法和系统
EP2998930A1 (en) * 2014-09-16 2016-03-23 Kabushiki Kaisha Toshiba Moving body position estimating device, moving body position estimating method, and non-transitory recording medium
CN108027884A (zh) * 2015-09-25 2018-05-11 高通股份有限公司 优化对象检测
CN108229489A (zh) * 2016-12-30 2018-06-29 北京市商汤科技开发有限公司 关键点预测、网络训练、图像处理方法、装置及电子设备
CN107886069A (zh) * 2017-11-10 2018-04-06 东北大学 一种多目标人体2d姿态实时检测系统及检测方法
CN108875504A (zh) * 2017-11-10 2018-11-23 北京旷视科技有限公司 基于神经网络的图像检测方法和图像检测装置
CN107729880A (zh) * 2017-11-15 2018-02-23 北京小米移动软件有限公司 人脸检测方法及装置
CN108520251A (zh) * 2018-04-20 2018-09-11 北京市商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
CN108960211A (zh) * 2018-08-10 2018-12-07 罗普特（厦门）科技集团有限公司 一种多目标人体姿态检测方法以及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PAOLO DI FEBBO 等: "KCNN: Extremely-Efficient Hardware Keypoint Detection with a Compact Convolutional Neural Network", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW)》 *
薛丽霞 等: "动态背景下基于ORB特征匹配的运动目标检测算法", 《计算机应用与软件》 *
靳一凡: "基于级联卷积神经网络的人脸关键点检测算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020134866A1 (zh) * 2018-12-25 2020-07-02 浙江商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
CN110288551A (zh) * 2019-06-29 2019-09-27 北京字节跳动网络技术有限公司 视频美化方法、装置及电子设备
CN110288551B (zh) * 2019-06-29 2021-11-09 北京字节跳动网络技术有限公司 视频美化方法、装置及电子设备
CN110555812A (zh) * 2019-07-24 2019-12-10 广州视源电子科技股份有限公司 图像调整方法、装置和计算机设备
CN112529985A (zh) * 2019-09-17 2021-03-19 北京字节跳动网络技术有限公司 图像处理方法及装置
CN112528986A (zh) * 2019-09-18 2021-03-19 马上消费金融股份有限公司 图像对齐方法、人脸识别方法及相关装置
CN110969115A (zh) * 2019-11-28 2020-04-07 深圳市商汤科技有限公司 行人事件的检测方法及装置、电子设备和存储介质
CN110969115B (zh) * 2019-11-28 2023-04-07 深圳市商汤科技有限公司 行人事件的检测方法及装置、电子设备和存储介质
CN111223143A (zh) * 2019-12-31 2020-06-02 广州市百果园信息技术有限公司 关键点检测方法、装置及计算机可读存储介质
CN111080749A (zh) * 2019-12-31 2020-04-28 广州供电局有限公司 配电网广域测量控制系统中多源量测的标注方法及装置
CN111223143B (zh) * 2019-12-31 2023-04-11 广州市百果园信息技术有限公司 关键点检测方法、装置及计算机可读存储介质
CN111080749B (zh) * 2019-12-31 2023-08-15 广州供电局有限公司 配电网广域测量控制系统中多源量测的标注方法及装置
CN111310616A (zh) * 2020-02-03 2020-06-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN117422721A (zh) * 2023-12-19 2024-01-19 天河超级计算淮海分中心 一种基于下肢ct影像的智能标注方法
CN117422721B (zh) * 2023-12-19 2024-03-08 天河超级计算淮海分中心 一种基于下肢ct影像的智能标注方法

Also Published As

Publication number Publication date
US20210012143A1 (en) 2021-01-14
WO2020134866A1 (zh) 2020-07-02
KR20200131305A (ko) 2020-11-23
SG11202009794RA (en) 2020-11-27
KR102421820B1 (ko) 2022-07-15
CN109522910B (zh) 2020-12-11
JP2021516838A (ja) 2021-07-08

Similar Documents

Publication Publication Date Title
CN109522910A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109829501A (zh) 图像处理方法及装置、电子设备和存储介质
CN109697734A (zh) 位姿估计方法及装置、电子设备和存储介质
CN109544560A (zh) 图像处理方法及装置、电子设备和存储介质
CN109344832A (zh) 图像处理方法及装置、电子设备和存储介质
CN110503023A (zh) 活体检测方法及装置、电子设备和存储介质
CN110287874A (zh) 目标追踪方法及装置、电子设备和存储介质
CN110473259A (zh) 位姿确定方法及装置、电子设备和存储介质
CN106295515B (zh) 确定图像中的人脸区域的方法及装置
CN109978891A (zh) 图像处理方法及装置、电子设备和存储介质
CN109784255A (zh) 神经网络训练方法及装置以及识别方法及装置
CN110390394A (zh) 批归一化数据的处理方法及装置、电子设备和存储介质
CN109816764A (zh) 图像生成方法及装置、电子设备和存储介质
CN109801270A (zh) 锚点确定方法及装置、电子设备和存储介质
CN110298310A (zh) 图像处理方法及装置、电子设备和存储介质
CN109977847A (zh) 图像生成方法及装置、电子设备和存储介质
CN105574857B (zh) 图像分析方法及装置
CN110060215A (zh) 图像处理方法及装置、电子设备和存储介质
CN109087238A (zh) 图像处理方法和装置、电子设备以及计算机可读存储介质
CN109829863A (zh) 图像处理方法及装置、电子设备和存储介质
CN105426878B (zh) 人脸聚类方法及装置
CN109948494A (zh) 图像处理方法及装置、电子设备和存储介质
CN109977860A (zh) 图像处理方法及装置、电子设备和存储介质
CN109118430A (zh) 超分辨率图像重建方法及装置、电子设备及存储介质
CN110458218A (zh) 图像分类方法及装置、分类网络训练方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Bao Hujun

Inventor after: Zhou Xiaowei

Inventor after: Peng Sida

Inventor after: Liu Yuan

Inventor before: Zhou Xiaowei

Inventor before: Bao Hujun

Inventor before: Peng Sida

Inventor before: Liu Yuan

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant