关键点检测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域,特别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
人体关键点检测是从人体图像上检测出关节或者五官等关键点的位置信息,从而通过这些关键点的位置信息来描述人体的姿态。
因为人体在图像中有大有小,现有的技术通常可以采用神经网络来获取图像的多尺度特征,用来最终预测人体关键点的位置。但是我们发现使用这种方式,还不能完全地挖掘和利用多尺度特征,关键点的检测精度较低。
发明内容
本公开实施例提供了一种有效的提高关键点检测精度的关键点检测方法及装置、电子设备和存储介质。
根据本公开的第一方面,提供了一种关键点检测方法,其包括:
获得针对输入图像的多个尺度的第一特征图,各第一特征图的尺度成倍数关系;利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图,其中,所述第二特征图与其一一对应的所述第一特征图的尺度相同;利用第二金字塔神经网络对各个所述第二特征图进行反向处理得到与各个所述第二特征图一一对应的第三特征图,其中,所述第三特征图与其一一对应的所述第二特征图的尺度相同;对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置。
在一些可能的实施方式中,所述获得针对输入图像的多个尺度的第一特征图包括:将所述输入图像调整为预设规格的第一图像;将所述第一图像输入至残差神经网络,对第一图像执行不同采样频率的降采样处理得到多个不同尺度的第一特征图。
在一些可能的实施方式中,所述正向处理包括第一卷积处理和第一线性插值处理,所述反向处理包括第二卷积处理和第二线性插值处理。
在一些可能的实施方式中,所述利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图,包括:利用第一卷积核对第一特征图C1...Cn中的第一特征图Cn进行卷积处理,获得与第一特征图Cn对应的第二特征图Fn,其中n表示第一特征图的数量,以及n为大于1的整数;对所述第二特征图Fn执行线性插值处理获得与第二特征图Fn对应的第一中间特征图F′n,其中第一中间特征图F′n的尺度与第一特征图Cn-1的尺度相同;利用第二卷积核对第一特征图Cn以外的各第一特征图C1...Cn-1进行卷积处理,得到分别与第一特征图C1...Cn-1一一对应的第二中间特征图C′1...C'n-1,其中所述第二中间特征图的尺度与和其一一对应的第一特征图的尺度相同;基于所述第二特征图Fn以及各所述第二中间特征图C'1...C'n-1,得到第二特征图F1...Fn-1以及第一中间特征图F′1...F′n-1,其中所述第二特征图Fi由所述第二中间特征图C′i与所述第一中间特征图F′i+1进行叠加处理得到,第一中间特征图F′i由对应的第二特征图Fi经线性插值得到,并且,所述第二中间特征图C′i与第一中间特征图F′i+1的尺度相同,其中,i为大于或者等于1且小于n的整数。
在一些可能的实施方式中,利用第二金字塔神经网络对各个所述第二特征图进行反向处理得到与各个所述第二特征图一一对应的第三特征图,包括:利用第三卷积核对第二特征图F1...Fm中的第二特征图F1进行卷积处理,获得与第二特征图F1对应的第三特征图R1,其中m表示第二特征图的数量,以及m为大于1的整数;利用第四卷积核对第二特征图F2...Fm进行卷积处理,分别得到对应的第三中间特征图F″2...F″m,其中,第三中间特征图的尺度与对应的第二特征图的尺度相同;
利用第五卷积核对第三特征图R1进行卷积处理得到与第三特征图R1对应的第四中间特征图R'1;利用各第三中间特征图F″2...F″m以及第四中间特征图R'1,得到第三特征图R2...Rm以及第四中间特征图R'2...R'm,其中,第三特征图Rj由第三中间特征图F″j与第四中间特征图R'j-1的叠加处理得到,第四中间特征图R'j-1由对应的第三特征图Rj-1通过第五卷积核卷积处理获得,其中j为大于1且小于或者等于m。
在一些可能的实施方式中,所述对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置,包括:对各第三特征图进行特征融合处理,得到第四特征图:基于所述第四特征图获得所述输入图像中各关键点的位置。
在一些可能的实施方式中,所述对各第三特征图进行特征融合处理,得到第四特征图,包括:利用线性插值的方式,将各第三特征图调整为尺度相同的特征图;对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,在所述对各第三特征图进行特征融合处理,得到第四特征图之前,还包括:将第一组第三特征图分别输入至不同的瓶颈区块结构中进行卷积处理,分别得到更新后的第三特征图,各所述瓶颈区块结构中包括不同数量的卷积模块,其中,所述第三特征图包括第一组第三特征图和第二组第三特征图,所述第一组第三特征图和所述第二组第三特征图中均包括至少一个第三特征图。
在一些可能的实施方式中,所述对各第三特征图进行特征融合处理,得到第四特征图,包括:利用线性插值的方式,将各所述更新后的第三特征图以及所述第二组第三特征图,调整为尺度相同的特征图;对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,所述基于所述第四特征图获得所述输入图像中各关键点的位置,包括:利用第五卷积核对所述第四特征图进行降维处理;利用降维处理后的第四特征图确定输入图像的关键点的位置。
在一些可能的实施方式中,所述基于所述第四特征图获得所述输入图像中各关键点的位置,包括:利用第五卷积核对所述第四特征图进行降维处理;利用卷积块注意力模块对降维处理后的第四特征图中的特征进行提纯处理,得到提纯后的特征图;利用提纯后的特征图确定所述输入图像的关键点的位置。
在一些可能的实施方式中,所述方法还包括利用训练图像数据集训练所述第一金字塔神经网络,其包括:利用第一金字塔神经网络对所述训练图像数据集中各图像对应的第一特征图进行所述正向处理,得到所述训练图像数据集中各图像对应的第二特征图;利用各第二特征图确定识别的关键点;根据第一损失函数得到所述关键点的第一损失;利用所述第一损失反向调节所述第一金字塔神经网络中的各卷积核,直至训练次数达到设定的第一次数阈值。
在一些可能的实施方式中,所述方法还包括利用训练图像数据集训练所述第二金字塔神经网络,其包括:利用第二金字塔神经网络对所述第一金字塔神经网络输出的关于训练图像数据集中各图像对应的第二特征图进行所述反向处理,得到所述训练图像数据集中各图像对应的第三特征图;利用各第三特征图确定识别的关键点;根据第二损失函数得到识别的各关键点的第二损失;利用所述第二损失反向调节所述第二金字塔神经网络中卷积核,直至训练次数达到设定的第二次数阈值;或者,利用所述第二损失反向调节所述第一金字塔网络中的卷积核以及第二金字塔神经网络中的卷积核,直至训练次数达到设定的第二次数阈值。
在一些可能的实施方式中,通过特征提取网络执行所述对各所述第三特征图进行特征融合处理,并且,在通过特征提取网络执行所述对各所述第三特征图进行特征融合处理之前,所述方法还包括:利用训练图像数据集训练所述特征提取网络,其包括:利用特征提取网络对所述第二金字塔神经网络输出的关于训练图像数据集中各图像对应的第三特征图进行所述特征融合处理,并利用特征融合处理后的特征图识别所述训练图像数据集中各图像的关键点;根据第三损失函数得到各关键点的第三损失;利用所述第三损失值反向调节所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值;或者,利用所述第三损失函数反向调节所述第一金字塔神经网络中的卷积核参数、第二金字塔神经网络中的卷积核参数,以及所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值。
根据本公开的第二方面,提供了一种关键点检测装置,其包括:多尺度特征获取模块,其用于获得针对输入图像的多个尺度的第一特征图,各第一特征图的尺度成倍数关系;正向处理模块,其用于利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图,其中,所述第二特征图与其一一对应的所述第一特征图的尺度相同;反向处理模块,其用于利用第二金字塔神经网络对各个所述第二特征图进行反向处理得到与各个所述第二特征图一一对应的第三特征图,其中,所述第三特征图与其一一对应的所述第二特征图的尺度相同;关键点检测模块,其用于对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置。
在一些可能的实施方式中,所述多尺度特征获取模块还用于将所述输入图像调整为预设规格的第一图像,并将所述第一图像输入至残差神经网络,对第一图像执行不同采样频率的降采样处理得到多个不同尺度的第一特征图。
在一些可能的实施方式中,所述正向处理包括第一卷积处理和第一线性插值处理,所述反向处理包括第二卷积处理和第二线性插值处理。
在一些可能的实施方式中,所述正向处理模块还用于利用第一卷积核对第一特征图C1...Cn中的第一特征图Cn进行卷积处理,获得与第一特征图Cn对应的第二特征图Fn,其中n表示第一特征图的数量,以及n为大于1的整数;以及对所述第二特征图Fn执行线性插值处理获得与第二特征图Fn对应的第一中间特征图F′n,其中第一中间特征图F′n的尺度与第一特征图Cn-1的尺度相同;以及利用第二卷积核对第一特征图Cn以外的各第一特征图C1...Cn-1进行卷积处理,得到分别与第一特征图C1...Cn-1一一对应的第二中间特征图C'1...C'n-1,其中所述第二中间特征图的尺度与和其一一对应的第一特征图的尺度相同;并且基于所述第二特征图Fn以及各所述第二中间特征图C'1...C'n-1,得到第二特征图F1...Fn-1以及第一中间特征图F′1...F′n-1,其中所述第二特征图Fi由所述第二中间特征图C′i与所述第一中间特征图F′i+1进行叠加处理得到,第一中间特征图F′i由对应的第二特征图Fi经线性插值得到,并且,所述第二中间特征图C′i与第一中间特征图F′i+1的尺度相同,其中,i为大于或者等于1且小于n的整数。
在一些可能的实施方式中,所述反向处理模块还用于利用第三卷积核对第二特征图F1...Fm中的第二特征图F1进行卷积处理,获得与第二特征图F1对应的第三特征图R1,其中m表示第二特征图的数量,以及m为大于1的整数;以及利用第四卷积核对第二特征图F2...Fm进行卷积处理,分别得到对应的第三中间特征图F″2...F″m,其中,第三中间特征图的尺度与对应的第二特征图的尺度相同;以及利用第五卷积核对第三特征图R1进行卷积处理得到与第三特征图R1对应的第四中间特征图R'1;并且利用各第三中间特征图F″2...F″m以及第四中间特征图R'1,得到第三特征图R2...Rm以及第四中间特征图R'2...R'm,其中,第三特征图Rj由第三中间特征图F″j与第四中间特征图R'j-1的叠加处理得到,第四中间特征图R'j-1由对应的第三特征图Rj-1通过第五卷积核卷积处理获得,其中j为大于1且小于或者等于m。
在一些可能的实施方式中,所述关键点检测模块还用于对各第三特征图进行特征融合处理,得到第四特征图,并基于所述第四特征图获得所述输入图像中各关键点的位置。
在一些可能的实施方式中,所述关键点检测模块还用于利用线性插值的方式,将各第三特征图调整为尺度相同的特征图,并对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,所述装置还包括:优化模块,其用于将第一组第三特征图分别输入至不同的瓶颈区块结构中进行卷积处理,分别得到更新后的第三特征图,各所述瓶颈区块结构中包括不同数量的卷积模块,其中,所述第三特征图包括第一组第三特征图和第二组第三特征图,所述第一组第三特征图和所述第二组第三特征图中均包括至少一个第三特征图。
在一些可能的实施方式中,所述关键点检测模块还用于利用线性插值的方式,将各所述更新后的第三特征图以及所述第二组第三特征图,调整为尺度相同的特征图,并对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,所述关键点检测模块还用于利用第五卷积核对所述第四特征图进行降维处理,并利用降维处理后的第四特征图确定输入图像的关键点的位置。
在一些可能的实施方式中,所述关键点检测模块还用于利用第五卷积核对所述第四特征图进行降维处理,利用卷积块注意力模块对降维处理后的第四特征图中的特征进行提纯处理,得到提纯后的特征图,并利用提纯后的特征图确定所述输入图像的关键点的位置。
在一些可能的实施方式中,所述正向处理模块还用于利用训练图像数据集训练所述第一金字塔神经网络,其包括:利用第一金字塔神经网络对所述训练图像数据集中各图像对应的第一特征图进行所述正向处理,得到所述训练图像数据集中各图像对应的第二特征图;利用各第二特征图确定识别的关键点;根据第一损失函数得到所述关键点的第一损失;利用所述第一损失反向调节所述第一金字塔神经网络中的各卷积核,直至训练次数达到设定的第一次数阈值。
在一些可能的实施方式中,所述反向处理模块还用于利用训练图像数据集训练所述第二金字塔神经网络,其包括:利用第二金字塔神经网络对所述第一金字塔神经网络输出的关于训练图像数据集中各图像对应的第二特征图进行所述反向处理,得到所述训练图像数据集中各图像对应的第三特征图;利用各第三特征图确定识别的关键点;根据第二损失函数得到识别的各关键点的第二损失;利用所述第二损失反向调节所述第二金字塔神经网络中卷积核,直至训练次数达到设定的第二次数阈值;或者,利用所述第二损失反向调节所述第一金字塔网络中的卷积核以及第二金字塔神经网络中的卷积核,直至训练次数达到设定的第二次数阈值。
在一些可能的实施方式中,所述关键点检测模块还用于通过特征提取网络执行所述对各所述第三特征图进行特征融合处理,并且在通过特征提取网络执行所述对各所述第三特征图进行特征融合处理之前,还利用训练图像数据集训练所述特征提取网络,其包括:利用特征提取网络对所述第二金字塔神经网络输出的关于训练图像数据集中各图像对应的第三特征图进行所述特征融合处理,并利用特征融合处理后的特征图识别所述训练图像数据集中各图像的关键点;根据第三损失函数得到各关键点的第三损失;利用所述第三损失值反向调节所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值;或者,利用所述第三损失函数反向调节所述第一金字塔神经网络中的卷积核参数、第二金字塔神经网络中的卷积核参数,以及所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值。
根据本公开的第三方面,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:执行第一方面中任意一项所述的方法。
根据本公开的第四方面,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第一方面中任意一项所述的方法。
本公开实施例提出了一种利用双向金字塔神经网络来执行关键点特征检测,其中不仅利用正向处理的方式得到多尺度特征,同时还利用反向处理融合更多的特征,从而能够进一步提高关键点的检测精度。
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一种关键点检测方法的流程图;
图2示出根据本公开实施例的一种关键点检测方法中步骤S100的流程图;
图3示出本公开实施例的关键点检测方法的另一流程图;
图4示出根据本公开实施例的一种关键点检测方法中的步骤S200的流程图;
图5示出根据本公开实施例的关键点检测方法中步骤S300的流程图;
图6出根据本公开实施例的关键点检测方法中步骤S400的流程图;
图7示出根据本公开实施例的关键点检测方法中步骤S401的流程图;
图8示出根据本公开实施例的关键点检测方法的另一流程图;
图9示出根据本公开实施例的关键点检测方法中步骤S402的流程图;
图10示出根据本公开实施例的一种关键点检测方法中的训练第一金字塔神经网络的流程图;
图11示出根据本公开实施例的一种关键点检测方法中的训练第二金字塔神经网络的流程图;
图12示出根据本公开实施例的一种关键点检测方法中的训练特征提取网络模型的流程图;
图13示出根据本公开实施例的一种关键点检测装置的框图;
图14示出根据本公开实施例的一种电子设备800的框图;
图15示出根据本公开实施例的一种电子设备1900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,为了更好地说明本公开,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。
本公开实施例提供了一种关键点检测方法,该方法可以用于执行人体图像的关键点检测,其利用了两个金字塔网络模型分别执行关键点的多尺度特征的正向处理和反向处理,融合了更多的特征信息,能够提高关键点位置检测的精度。
图1示出根据本公开实施例的一种关键点检测方法的流程图。其中,本公开实施例的关键点检测方法可以包括:
S100:获得针对输入图像的多个尺度的第一特征图,各第一特征图的尺度成倍数关系。
本公开实施例采用输入图像的多尺度特征的融合的方式执行上述关键点的检。首先可以获取输入图像的多个尺度的第一特征图,各第一特征图的尺度不同,且各尺度之间存在倍数的关系。本公开实施例可以利用多尺度分析算法得到输入图像的多个尺度的第一特征图,或者也可以通过能够执行多尺度分析的神经网络模型获得输入图像的多个尺度的第一特征图,本公开不作具体限定。
S200:利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图,其中,所述第二特征图与其一一对应的所述第一特征图的尺度相同。
在本实施例中,正向处理可以包括第一卷积处理以及第一线性插值处理,通过第一金字塔神经网络的正向处理过程,可以得到与相应的第一特征图尺度相同的第二特征图,各第二特征图的进一步融合了输入图像的各特征,并且得到的第二特征图与第一特征图的数量相同,且第二特征图与对应的第一特征图的尺度相同。例如,本公开实施例得到的第一特征图可以为C1、C2、C3和C4,对应的正向处理后得到的第二特征图可以为F1、F2、F3和F4。其中,在第一特征图C1至C4的尺度关系为C1的尺度为C2的尺度的2倍,C2的尺度为C3的尺度的二倍,以及C3的尺度为C4的二倍时,得到的第二特征图F1至F4中,F1与C1的尺度相同,F2与C2的尺度相同,F3与C3的尺度相同,以及F4与C4的尺度相同,并且第二特征图F1的尺度为F2的尺度的2倍,F2的尺度为F3的尺度的二倍,以及F3的尺度为F4的二倍。上述仅为第一特征图经过正向处理得到第二特征图的示例性说明,不作为本公开的具体限定。S300:利用第二金字塔神经网络对各第二特征图进行反向处理得到与各个所述第二特征图一一对应的第三特征图,所述反向处理包括第二卷积处理,其中,所述第三特征图与其一一对应的所述第二特征图的尺度相同。
在本实施例中,反向处理包括第二卷积处理以及第二线性插值处理,通过第二金字塔神经网络的反向处理过程,可以得到与相应的第二特征图尺度相同的第三特征图,且各第三特征图相对于第二特征图进一步融合了输入图像的特征,并且得到的第三特征图与第二特征图的数量相同,且第三特征图与对应的第二特征图的尺度相同。例如,本公开实施例得到的第二特征图可以为F1、F2、F3和F4,对应的反向处理后得到的第三特征图可以为R1、R2、R3和R4。其中,在第二特征图F1、F2、F3和F4的尺度关系为F1的尺度为F2的尺度的2倍,F2的尺度为F3的尺度的二倍,以及F3的尺度为F4的二倍时,得到的第三特征图R1至R4中,R1与F1的尺度相同,R2与F2的尺度相同,R3与F3的尺度相同,以及R4与F4的尺度相同,并且第三特征图R1的尺度为R2的尺度的2倍,R2的尺度为R3的尺度的二倍,以及R3的尺度为R4的二倍。上述仅为第二特征图经反向处理得到第三特征图的示例性说明,不作为本公开的具体限定。
S400:对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置。
本公开实施例中,在对各第一特征图经正向处理得到第二特征图,以及根据第二特征图的反向处理得到第三特征图后,即可以执行各第三特征图的特征融合处理。例如本公开实施例可以利用对应的卷积处理的方式实现各第三特征图的特征融合,以及在第三特征图的尺度不相同时还可以执行尺度的转变,而后执行特征图的拼接,以及关键点的提取。
本公开实施例可以执行对输入图像的不同关键点的检测,例如在输入图像为人物的图像时,关键点可以为左右眼睛、鼻子、左右耳朵、左右肩膀、左右手肘、左右手腕、左右胯部、左右膝盖、左右脚踝中的至少一种,或者在其他实施例中,输入图像也可以其他类型的图像,在执行关键点检测时,可以识别其他的关键点。因此,本公开实施例可以根据第三特征图的特征融合结果,进一步执行关键点的检测识别。
基于上述配置,本公开实施例可以通过双向金字塔神经网络(第一金字塔神经网络和第二金字塔神经网络)分别基于第一特征图执行正向处理以及进一步的反向处理,能够有效的提高输入图像的特征融合度,进一步提高关键点的检测精度。如上所示,本公开实施例可以首先获取输入图像,该输入图像可以为任意的图像类型,例如可以是人物图像、风景图像、动物图像等等。对于不同类型的图像,可以识别不同的关键点。例如,本公开实施例以人物图像为例进行说明。首先可以通过步骤S100获取输入图像在多个不同尺度下的第一特征图。图2示出根据本公开实施例的一种关键点检测方法中步骤S100的流程图。其中,获得针对输入图像的不同尺度的第一特征图(步骤S100)可以包括:
S101:将所述输入图像调整为预设规格的第一图像。
本公开实施例可以首先归一化输入图像的尺寸规格,即可以首先将输入图像调整为预设规格的第一图像,其中本公开实施例中预设规格可以为256pix*192pix,pix为像素值,在其他的实施例中,可以将输入图像统一转换为其他规格的图像,本公开实施例对此不进行具体限定。
S102:将所述第一图像输入至残差神经网络,对第一图像执行不同采样频率的降采样处理得到不同尺度的第一特征图。
在得到预设规格的第一图像之后,可以对该第一图像执行多个采样频率的采样处理。例如,本公开实施例可以通过将第一图像输入至残差神经网络,通过残差神经网络处理得到针对第一图像的不同尺度的第一特征图。其中,可以利用不同的采样频率对第一图像进行将采样处理从而得到不同尺度的第一特征图。本公开实施例的采样频率可以为1/8、1/16、1/32等,但本公开实施例对此不进行限定。另外,本公开实施例中的特征图是指图像的特征矩阵,例如本公开实施例的特征矩阵可以为三维矩阵,以及本公开实施例中所述的特征图的长度和宽度可以分别为对应的特征矩阵在行方向和列方向上的维度。
通过步骤S100处理后得到的输入图像的多个不同尺度的第一特征图。并且通过控制降采样的采样频率可以使得各第一特征图之间的尺度的关系为且其中,Ci表示各第一特征图,L(Ci)表示第一特征图Ci的长度,W(Ci)表示第一特征图Ci的宽度,k1为大于或者等于1的整数,i为变量,且i的范围为[2,n],n为第一特征图的数量。即本公开实施例中的各第一特征图的长度和宽度之间的关系均为2的k1次方倍。
图3示出本公开实施例的关键点检测方法的另一流程图。其中,(a)部分示出本公开实施例的步骤S100的过程,通过步骤S100可以获得四个第一特征图C1、C2、C3和C4,其中,第一特征图C1的长度和宽度可以分别对应的为第一特征图C2的长度和宽度的二倍,第二特征图C2的长度和宽度可以分别对应的为第三特征图C3的长度和宽度的二倍,以及第三特征图C3的长度和宽度可以分别对应的为第四特征图C4的长度和宽度的二倍。本公开实施例上述C1和C2之间、C2和C3之间,以及C3和C4之间的尺度倍数可以均相同,例如k1取值为1。在其他的实施例中,k1可以为不同的值,例如可以为,第一特征图C1的长度和宽度可以分别对应的为第一特征图C2的长度和宽度的二倍,第二特征图C2的长度和宽度可以分别对应的为第三特征图C3的长度和宽度的四倍,以及第三特征图C3的长度和宽度可以分别对应的为第四特征图C4的长度和宽度的八倍,但本公开实施例对此不进行限定。
在获得输入图像的不同尺度的第一特征图之后,可以对通过步骤S200执行第一特征图的正向处理过程,得到融合了各第一特征图的特征的多个不同尺度的第二特征图。
图4示出根据本公开实施例的一种关键点检测方法中的步骤S200的流程图。其中,所述利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图(步骤S200),包括:
S201:利用第一卷积核对第一特征图C1...Cn中的第一特征图Cn进行卷积处理,获得与第一特征图Cn对应的第二特征图Fn,其中,其中n表示第一特征图的数量,以及n为大于1的整数,并且第一特征图Cn的长度和宽度分别与第二特征图Fn的长度和宽度对应相同。
本公开实施例中的第一金字塔神经网络执行的正向处理可以包括第一卷积处理以及第一线性插值处理,也可以包括其他的处理过程,本公开对此不进行限定。
在一种可能的实施方式中,本公开实施例获得的第一特征图可以为C1...Cn,即n个第一特征图,且Cn可以为长度和宽度最小的特征图,即尺度最小的第一特征图。其中,首先可以利用第一金字塔神经网络对第一特征图Cn进行卷积处理,即利用第一卷积核对第一特征图Cn进行卷积处理,得到第二特征图Fn。该第二特征图Fn的长度和宽度均与第一特征图Cn的长度和宽度分别相同。其中,第一卷积核可以为3*3的卷积核,或者也可以是其他类型的卷积核。
S202:对所述第二特征图Fn执行线性插值处理获得与第二特征图Fn对应的第一中间特征图F′n,其中第一中间特征图F′n的尺度与第一特征图Cn-1的尺度相同;
在得到第二特征图Fn之后,可以利用该第二特征图Fn获得与其对应的第一中间特征图F′n,本公开实施例可以通过对第二特征图Fn执行线性插值处理获得与第二特征图Fn对应的第一中间特征图F′n,其中,第一中间特征图F′n的尺度与第一特征图Cn-1的尺度相同,例如,在Cn-1的尺度为Cn的尺度的二倍时,第一中间特征图F′n的长度为第二特征图Fn的长度的二倍,以及第一中间特征图F′n的宽度为第二特征图Fn的宽度的二倍。
S203:利用第二卷积核对第一特征图Cn以外的各第一特征图C1...Cn-1进行卷积处理,到分别与第一特征图C1...Cn-1一一对应的第二中间特征图C'1...C'n-1,其中所述第二中间特征图的尺度与和其一一对应的第一特征图的尺度相同;
同时,本公开实施例还可以获得第一特征图Cn以外的各第一特征图C1...Cn-1对应的第二中间特征图C'1...C'n-1,其中,可以利用第二卷积核分别对第一特征图C1...Cn-1进行第二卷积处理,分别得到与各第一特征图C1...Cn-1一一对应的第二中间特征图C'1...C'n-1,其中第二卷积核可以为1*1的卷积核,但本公开对此不作具体限定。通过第二卷积处理得到的各第二中间特征图的尺度与对应的第一特征图的尺度分别相同。其中,本公开实施例可以按照第一特征图C1...Cn-1的倒序,获得各第一特征图C1...Cn-1的第二中间特征图C'1...C'n-1。即,可以先获得第一特征图Cn-1对应的第二中间图C'n-1,而后获得第一特征图Cn-2的对应的第二中间图C'n-2,以此类推,直至获得第一特征图C1对应的第二中间特征图C'1。
S204:基于所述第二特征图Fn以及各所述第二中间特征图C'1...C'n-1,得到第二特征图F1...Fn-1以及第一中间特征图F′1...F′n-1,其中与第一特征图C1...Cn-1中的第一特征图Ci对应的第二特征图Fi由第二中间特征图C′i与第一中间特征图F′i+1进行叠加处理(加和处理)得到,并且第一中间特征图F′i由对应的第二特征图Fi经线性插值得到,并且,所述第二中间特征图C′i与第以中间特征图F′i+1的尺度相同,其中,i为大于或者等于1且小于n的整数。
另外,在获得各第二中间特征图的同时,或者获得各第二中间特征图之后还可以对应的获得第一中间特征图F′n以外的其他第一中间特征图F′1...F′n-1,本公开实施例中,与第一特征图C1...Cn-1中的第一特征图Ci对应的第二特征图Fi=C′i+F′i+1,其中,第二中间特征图C′i的尺度(长度和宽度)分别与第一中间特征图F′i+1的尺度(长度和宽度)相等,并且第二中间特征图C′i的长度和宽度与第一特征图Ci的长度和宽度相同,因此得到的第二特征图Fi的长度和宽度分别为第一特征图Ci的长度和宽度。其中,i为大于或者等于1且小于n的整数。
具体的,本公开实施例依然可以采用倒序的处理方式获得第二特征图Fn以外的各第二特征图Fi。即,本公开实施例可以首先获得第一中间特征图Fn-1,其中,可以利用第一特征图Cn-1对应的第二中间图C′n-1与第一中间特征图F′n进行叠加处理得到第二特征图Fn-1,其中,第二中间特征图C′n-1的长度和宽度分别与第一中间特征图F′n的长度和宽度相同,以及第二特征图Fn-1的长度和宽度为第二中间特征图C'n-1和F′n的长度和宽度。此时第二特征图Fn-1的长度和宽度分别为第二特征图Fn的长度和宽度的二倍(Cn-1的尺度为Cn的尺度的二倍)。进一步地,可以对第二特征图Fn-1进行线性插值处理,得到第一中间特征图F′n-1,使得F′n-1的尺度与Cn-1的尺度相同,继而可以利用第一特征图Cn-2对应的第二中间图C'n-2与第一中间特征图F′n-1进行叠加处理得到第二特征图Fn-2,其中,第二中间特征图C′n-2的长度和宽度分别与第一中间特征图F′n-1的长度和宽度相同,以及第二特征图Fn-2的长度和宽度为第二中间特征图C'n-2和F′n-1的长度和宽度。例如第二特征图Fn-2的长度和宽度分别为第二特征图Fn-1的长度和宽度的二倍。以此类推,可以最终获得第一中间特征图F′2,以及根据该第一中间特征图F′2与第一特征图C′1的叠加处理得到第二特征图F1,F1的长度和宽度分别为与C1的长度和宽度的相同。从而得到各第二特征图,并满足及并且L(Fn)=L(Cn),W(Fn)=W(Cn)。
例如,以上述四个第一特征图C1、C2、C3和C4为例进行说明。如图3所示,步骤S200可以使用第一金字塔神经网络(Feature Pyramid Network--FPN)来获得多尺度的第二特征图。其中,首先可以将C4经过一个3*3的第一卷积核计算得到一个新的特征图F4(第二特征图),F4的长度和宽度的大小与C4相同。对F4进行双线形插值的上采样(upsample)操作,得到一个长和宽都放大两倍的特征图,即第一中间特征图F′4。C3经过一个1*1的第二卷积核计算得到一个第二中间特征图C′3,C'3与F′4大小相同,两个特征图相加,得到新的特征图F3(第二特征图),使得第二特征图F3的长度和宽度分别为第二特征图F4二倍。对F3进行双线形插值的上采样(upsample)操作,得到一个长和宽都放大两倍的特征图,即第一中间特征图F′3。C2经过一个1*1的第二卷积核计算得到一个第二中间特征图C'2,C'2与F′3大小相同,两个特征图相加,得到新的特征图F2(第二特征图),使得第二特征图F2的长度和宽度分别为第二特征图F3二倍。对F2进行双线形插值的上采样(upsample)操作,得到一个长和宽都放大两倍的特征图,即第一中间特征图F′2。C1经过一个1*1的第二卷积核计算得到一个第二中间特征图C'1,C'1与F′2大小相同,两个特征图相加,得到新的特征图F2(第二特征图),使得第二特征图F1的长度和宽度分别为第二特征图F2二倍。经过FPN之后,同样得到了四个不同尺度的第二特征图,分别记为F1、F2、F3和F4。并且F1和F2之间的长度和宽度的倍数与C1和C2之间的长度和宽度的倍数相同,以及F2和F3之间的长度和宽度的倍数与C2和C3之间的长度和宽度的倍数相同,F3和F4之间的长度和宽度的倍数与C3和C4之间的长度和宽度的倍数相同。
通过上述金字塔网络模型的正向处理之后,可以使得各第二特征图中融合更多的特征,为了进一步提高特征的提取精度,本公开实施例在步骤S200之后,还利用第二金字塔神经网络对各第二特征图执行反向处理。其中,反向处理可以包括第二卷积处理以及第二线性插值处理,同样,也可以包括其他处理,本公开对此不进行具体限定。
图5示出根据本公开实施例的关键点检测方法中步骤S300的流程图。其中,所述利用第二金字塔神经网络对各第二特征图进行反向处理得到不同尺度的第三特征图Ri(步骤S300),可以包括:
S301:利用第三卷积核对F1...Fm中的第二特征图F1进行卷积处理,获得与第二特征图F1对应的第三特征图R1,其中第三特征图R1的长度和宽度分别与第一特征图C1的长度和宽度对应相同,其中m表示第二特征图的数量,以及m为大于1的整数,此时m与第一特征图的数量n相同;
在反向处理的过程中,可以首先从长度和宽度最大的第二特征图F1进行反向处理,例如,可以通过第三卷积核对该第二特征图F1进行卷积处理,得到长度和宽度都与F1相同的第三中间特征图R1。其中,第三卷积核可以为3*3的卷积核,也可以是其他类型的卷积核,本领域技术领域可以根据不同的需求选择所需的卷积核。
S302:利用第四卷积核对第二特征图F2...Fm进行卷积处理,分别得到对应的第三中间特征图F″2...F″m,其中,第三中间特征图的尺度与对应的第二特征图的尺度相同;
在得到第三特征图R1之后,可以利用第四卷积核对第二特征图F1以外的各第二特征图F2...Fm分别执行卷积处理,得到对应的第三中间特征图F″1...F″m-1。步骤S302中,可以将第二特征图F1以外的第二特征图F2...Fm通过第四卷积核做卷积处理,其中可以首先对F2进行卷积处理得到对应的第三中间特征图F″2,继而可以对F3进行卷积处理得到对应的第三中间特征图F″3,以此类推,得到第二特征图Fm对应的第三中间特征图F″n。其中,本公开实施例中,各第三中间特征图F″j的长度和宽度可以为对应的第二特征图Fj的长度和宽度。
S303:利用第五卷积核对第三特征图R1进行卷积处理得到与第三特征图R1对应的第四中间特征图R'1;
在得到第三特征图R1之后,可以利用第四卷积核对第二特征图F1以外的各第二特征图F2...Fm分别执行卷积处理,得到对应的第三中间特征图F″1...F″m-1。步骤S302中,可以将第二特征图F1以外的第二特征图F2...Fm通过第四卷积核做卷积处理,其中可以首先对F2进行卷积处理得到对应的第三中间特征图F″2,继而可以对F3进行卷积处理得到对应的第三中间特征图F″3,以此类推,得到第二特征图Fm对应的第三中间特征图F″n。其中,本公开实施例中,各第三中间特征图F″j的长度和宽度可以为对应的第二特征图Fj的长度和宽度的一半。
S304:利用各第三中间特征图F″2...F″m以及第四中间特征图R'1,得到第三特征图R2...Rm,其中,第三特征图Rj由第三中间特征图F″j与第四中间特征图R'j-1的叠加处理得到,以及第四中间特征图R'j-1由对应的第三特征图Rj-1通过第五卷积核卷积处理获得,其中j为大于1且小于或者等于m。
在执行步骤S301之后,或者执行S302之后,还可以利用第五卷积核对第三特征图R1进行卷积处理得到第三特征图R1对应的第四中间特征图R'1。其中,第四中间特征图R'1的长度和宽度为第二特征图F2的长度和宽度。
另外,还可以利用步骤S302得到的第三中间特征图F″i以及步骤S303得到的第四中间特征图R'1,得到第三特征图R1以外的第三特征图R2...Rm。其中,第三特征图R1之外的各第三特征图R2...Rm由第三中间特征图F″j与第四中间特征图R'j-1的叠加处理得到。
具体的,步骤S304中,可以分别利用对应的第三中间特征图F″i与第四中间特征图R'i-1进行叠加处理得到第三特征图R1之外的各第三特征图Rj。其中,可以首先利用第三中间特征图F″2与第四中间特征图R'1的加和结果获得第三特征图R2。而后,利用第五卷积核对R2进行卷积处理得到第四中间特征图R'2,通过第三中间特征图F″3与第四中间特征图R'2之间的加和结果获得第三特征图R3。以此类推,可以进一步得到其余第四中间特征图R'3...R'm,以及第三特征图R4…Rm。
另外,本公开实施例中,获得的各第四中间特征图R'1的长度和宽度分别与第二特征图F2的长度和宽度相同。以及第四中间特征图R'j的长度和宽度分别与第四中间特征图F″j+1的长度和宽度相同。从而,得到的第三特征图Rj的长度和宽度分别为第二特征图Fi的长度和宽度,进一步的各第三特征图R1…Rn的长度和宽度分别对应的与第一特征图C1…Cn的长度和宽度相等。
下面举例说明反向处理的过程。如图3所示,接着利用第二特征金字塔网络(Reverse Feature Pyramid Network--RFPN)来进一步优化多尺度特征。第二特征图F1经过一个3*3的卷积核(第三卷积核),得到一个新的特征图R1(第四特征图),R1长和宽的大小与F1相同。R1经过一个卷积核为3*3(第五卷积核),步长(stride)为2的卷积计算得到一个新的特征图,记为R′1,R′1的长和宽均可以是R1的一半。第二特征图F2经过一个3*3的卷积核(第四卷积核)计算得到一个新的特征图,记为F″2。R′1与F″2的大小相同,将R′1与F″2相加得到新的特征图R2。对R2和F3重复R1和F2的操作,得到新的特征图R3。对R3和F4重复R1和F2的操作,得到新的特征图R4。经过RFPN之后,同样得到了四个不同尺度的特征图,分别记为R1、R2、R3和R4。同样的,R1和R2之间的长度和宽度的倍数与C1和C2之间的长度和宽度的倍数相同,以及R2和R3之间的长度和宽度的倍数与R2和R3之间的长度和宽度的倍数相同,R3和R4之间的长度和宽度的倍数与C3和C4之间的长度和宽度的倍数相同。
基于上述配置,即可以得到经第二集资他网络模型进行反向处理得到的第三特征图R1…Rn,经过正向和反向处理两个处理过程可以进一步提高图像的融合的特征,基于各第三特征图可以精确的识别特征点。
在步骤S300之后,则可以根据各第三特征图Ri的特征融合结果,获得输入图像的各关键点的位置。其中,图6示出根据本公开实施例的关键点检测方法中步骤S400的流程图。其中,所述对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置(步骤S400),可以包括:
S401:对各第三特征图进行特征融合处理,得到第四特征图;
本公开实施例中,在获得各尺度的第三特征图R1...Rn之后,可以对各第三特征图进行特征融合,由于本公开实施例中各第三特征图的长度和宽度不同,因此可以将分别R2…Rn进行线性插值处理,最终使得各第三特征图R2…Rn的长度和宽度与第三特征图R1的长度和宽度相同。继而可以将处理后的第三特征图进行组合形成第四特征图。
S402:基于所述第四特征图获得所述输入图像中各关键点的位置。
在获得第四特征图之后,可以对第四特征图进行降维处理,例如可以通过卷积处理对第四特征图进行降维,并利用降维后的特征图识别输入图像的特征点的位置。
图7示出根据本公开实施例的关键点检测方法中步骤S401的流程图,其中,所述对各第三特征图进行特征融合处理,得到第四特征图(步骤S401)可以包括:
S4012:利用线性插值的方式,将各第三特征图调整为尺度相同的特征图;
由于本公开实施例获得的各第三特征图R1...Rn的尺度不同,因此首先需要将各第三特征图调整为尺度相同的特征图,其中,本公开实施例可以对各第三特征图执行不同的线性插值处理使得各特征图的尺度相同,其中线性插值的倍数可以与各第三特征图之间的尺度倍数相关。
S4013:对线性插值处理后的各特征图进行连接得到所述第四特征图。
在得到尺度相同的各特征图后,可以将各特征图进行拼接组合得到第四特征图,例如本公开实施例的各插值处理后的特征图的长度和宽度均相同,可以将各特征图在高度方向上进行连接得到第四特征图,如,经过S4012处理后的各特征图可以表示为A、B、C和D,得到的第四特征图可以为
另外,步骤S401之前,本公开实施例为了对小尺度的特征进行优化,可以将长度和宽度较小的第三特征图进一步的优化,可以对该部分特征进行进一步的卷积处理。图8示出根据本公开实施例的关键点检测方法的另一流程图,其中,在所述对各第三特征图进行特征融合处理,得到第四特征图之前,还可以包括S4011.
S4011:将第一组第三特征图分别输入至不同的瓶颈区块结构中进行卷积处理,分别对应的得到更新后的第三特征图,各所述瓶颈区块结构中包括不同数量的卷积模块;其中,所述第三特征图包括第一组第三特征图和第二组第三特征图,所述第一组第三特征图和所述第二组第三特征图中均包括至少一个第三特征图。
如上所述,为了优化小尺度特征图内的特征,可以对小尺度的特征图进一步卷积处理,其中,可以将第三特征图R1…Rm分成两组,其中第一组第三特征图的尺度小于第二组第三特征图的尺度。对应的,可以将第一组第三特征图内的各第三特征图分别输入至不同的瓶颈区块结构内,得到更新后的第三特征图,该瓶颈区块结构内可以包括至少一个卷积模块,不同的瓶颈区块结构中的卷积模块的数量可以不同,其中,经过瓶颈区块结构卷积处理后得到的特征图的大小与输入之前的第三特征图的大小相同。
其中,可以按照第三特征图的数量的预设比例值确定该第一组第三特征图。例如,预设比例可以为50%,即可以将各第三特征图中尺度较小的一半的第三特征图作为第一组第三特征图输入至不同的瓶颈区块结构中进行特征优化处理。该预设比例可以也可以为其他的比例值,本公开对此不进行限定。或者,在另一些可能的实施例中,也可以按照尺度阈值确定该输入至瓶颈区块结构中的第一组第三特征图。小于该尺度阈值的特征图即确定需要输入至瓶颈区块结构中进行特征优化处理。对于尺度阈值的确定可以根据各特征图的尺度进行确定,本公开实施例对此不进行具体限定。
另外,对于瓶颈区块结构的选择,本公开实施例不作具体限定,其中卷积模块的形式可以根据需求进行选择。
S4012:利用线性插值的方式,将更新后的第三特征图以及第二组第三特征图,调整为尺度相同的特征图;
在执行步骤S4011之后,可以将优化后的第一组第三特征图以及第二组第三特征进行尺度归一化,即将各特征图调整为尺寸相同的特征图。本公开实施例通过为各S4011优化后的第三特征图以及第二组第三特征图分别执行对应的线性插值处理,从而得到大小相同的特征图。
本公开实施例中,如图3所示的(d)部分,为了对小尺度的特征进行优化在R2、R3和R4后接了不同个数的瓶颈区块(bottleneck block)结构,在R2后接一个bottleneck block后得倒新的特征图,记为R″2,在R3后接两个bottleneck block后得倒新的特征图,记为R″3,在R4后接三个bottleneck block后得倒新的特征图,记为R″4。为了进行融合,我们需要将四个特征图R1、R″2、R″3、R″4的的大小统一,所以对R″2进行双线形插值的上采样(upsample)操作放大2倍,得到特征图R″′2,对R″3进行双线形插值的上采样(upsample)操作放大4倍,得到特征图R″′3,对R″4进行双线形插值的上采样(upsample)操作放大8倍,得到特征图R″′4。此时,R1、R″′2、R″′3、R″′4尺度相同。
S4013:对各尺度相同的特征图进行连接得到所述第四特征图。
步骤S4012之后,可以将尺度相同的特征图进行连接,例如将上述四个特征图连接(concat)得到新的特征图即为第四特征图,例如R1、R″′2、R″′3、R″′4四个特征图都是256维,得到的第四特征图即可以为1024维。
通过上述不同实施例中的配置可以得到相应的第四特征图,在获得第四特征图之后,即可以根据第四特征图得到输入图像的关键点位置。其中,可以直接对第四特征图进行降维处理,利用降维处理后的特征图确定输入图像的关键点的位置。在另一些实施例中,还可以对降维后的特征图进行提纯处理,进一步提高关键点的精度。图9示出根据本公开实施例的关键点检测方法中步骤S402的流程图,所述基于所述第四特征图获得所述输入图像中各关键点的位置,可以包括:
S4021:利用第五卷积核对所述第四特征图进行降维处理;
本公开实施例中,执行降维处理的方式可以为卷积处理,即利用预设的卷积模块对第四特征图进行卷积处理,以实现第四特征图的降维,得到例如256维的特征图。
S4022:利用卷积块注意力模块对降维处理后的第四特征图中的特征进行提纯处理,得到提纯后的特征图;
而后,可以进一步利用卷积块注意力模块对降维处理后的第四特征图进行提纯处理。其中卷积块注意力模块可以为现有技术中的卷积块注意力模块。例如本公开实施例的卷积块注意力模块可以包括通道注意力单元以及重要度注意力单元。其中,可以首先将降维处理后的第四特征图输入至通道注意力单元,其中首先可以对降维处理后的第四特征图进行基于高度和宽度的全局最大池化(global max pooling)以及全局平均池化(globalaverage pooling),而后分别将经全局最大池化得到的第一结果以及经全局平均池化得到的第二结果输入至MLP(多层感知器),并对经MLP处理后的两个结果进行加和处理得到第三结果,对将第三结果经过激活处理得到通道注意力特征图。
在得到通道注意力特征图之后,将该通道注意力特征图输入至重要度注意力单元,首先可以对该通道注意力特征图输入至基于通道的全局最大池化(global maxpooling)以及全局平均池化(global average pooling)处理,分别得到第四结果和第五结果,再将第四结果和第五结果进行连接,而后对连接后的结果通过卷积处理进行降维,利用sigmoid函数对降维结果进行处理得到重要度注意力特征图,而后将重要度注意力特征图与通道注意力特征图相乘积,得到提纯后的特征图。上述仅为本公开实施例对于卷积块注意力模块的示例性说明,在其他实施例中,也可以采用其他的结构对降维后的第四特征图进行提纯处理。
S4023:利用提纯后的特征图确定输入图像的关键点的位置。
在获得提纯后特征图之后,可以利用该特征图获取关键点的位置信息,例如可以将该提纯后的特征图输入至3*3的卷积模块,来预测输入图像中各关键点的位置信息。其中,在输入图像为面部图像时,预测的关键点可以为17个关键点的位置,比如可以包括对于左右眼睛、鼻子、左右耳朵、左右肩膀、左右手肘、左右手腕、左右胯部、左右膝盖、左右脚踝的位置。在其他的实施例中,也可以获取其他关键点的位置,本公开实施例对此不进行限定。
基于上述配置,即可以通过第一金字塔神经网络的正向处理以及第二金字塔神经网络的反向处理更充分的融合特征,从而提高关键点的检测精度。
在本公开实施例中,还可以执行对于第一金字塔神经网络以及第二金字塔神经网络的训练,从而使得正向处理和反向处理满足工作精度。其中,图10示出根据本公开实施例的一种关键点检测方法中的训练第一金字塔神经网络的流程图。其中,本公开实施例可以利用训练图像数据集训练所述第一金字塔神经网络,其包括:
S501:利用第一金字塔神经网络对所述训练图像数据集中各图像对应的第一特征图进行所述正向处理,得到所述训练图像数据集中各图像对应的第二特征图;
本公开实施例中,可以将训练图像数据集输入至第一金字塔神经网络进行训练。其中,训练图像数据集中可以包括多个图像以及与图像对应的关键点的真实位置。利用第一金字塔网络可以执行如上所述步骤S100和S200(多尺度第一特征图的提取以及正向处理),得到各图像的第二特征图。
S502:利用各第二特征图确定识别的关键点;
在步骤S201之后,可以利用得到的第二特征图识别训练图像的关键点,获得训练图像的各关键点的第一位置。
S503:根据第一损失函数得到所述关键点的第一损失;
S504:利用所述第一损失值反向调节所述第一金字塔神经网络中的各卷积核,直至训练次数达到设定的第一次数阈值。
对应的,在得到各关键点的第一位置之后,可以得到该预测得到的第一位置对应的第一损失。在训练的过程中,可以根据每次训练得到的第一损失反向调节第一金字塔神经网络的参数,例如卷积核的参数,直到训练次数达到第一次数阈值,该第一次数阈值可以根据需求进行设定,一般为大于120的数值,例如本公开实施例中第一次数阈值可以为140。
其中,第一位置对应的第一损失可以为将第一位置与真实位置之间的第一差值输入至第一损失函数获得的损失值,其中第一损失函数可以为对数损失函数。或者也可以是将第一位置和真实位置输入至第一损失函数,获得对应的第一损失。本公开实施例对此不进行限定。基于上述即可以实现第一金字塔神经网络的训练过程,实现第一金字塔神经网络参数的优化。
另外,对应的,图11示出根据本公开实施例的一种关键点检测方法中的训练第二金字塔神经网络的流程图。其中,本公开实施例可以利用训练图像数据集训练所述第二金字塔神经网络,其包括:
S601:利用第二金字塔神经网络对所述第一金字塔神经网络输出的关于训练图像数据集中各图像对应的第二特征图进行所述反向处理,得到所述训练图像数据集中各图像对应的第三特征图;
S602:利用各第三特征图识别关键点;
本公开实施例中,可以首先利用第一金字塔神经网络获得训练数据集中各图像的第二特征图,而后通过第二金字塔神经网络对所述训练图像数据集中各图像对应的第二特征图进行上述的反向处理,得到所述训练图像数据集中各图像对应的第三特征图,而后利用第三特征图预测对应的图像的关键点的第二位置。
S603:根据第二损失函数得到识别的关键点的第二损失;
S604:利用所述第二损失反向调节所述第二金字塔神经网络中卷积核,直至训练次数达到设定的第二次数阈值,或者利用所述第二损失反向调节所述第一金字塔网络中的卷积核以及第二金字塔神经网络中的卷积核,直至训练次数达到设定的第二次数阈值。
对应的,在得到各关键点的第二位置之后可以得到该预测得到的第二位置对应的第二损失。在训练的过程中,可以根据每次训练得到的第二损失反向调节第二金字塔神经网络的参数,例如卷积核的参数,直到训练次数达到第二次数阈值,该第二次数阈值可以根据需求进行设定,一般为大于120的数值,例如本公开实施例中第二次数阈值可以为140。
其中,第二位置对应的第二损失可以为将第二位置与真实位置之间的第二差值输入至第二损失函数获得的损失值,其中第二损失函数可以为对数损失函数。或者也可以是将第二位置和真实位置输入至第二损失函数,获得对应的第二损失值。本公开实施例对此不进行限定。
在本公开的另一些实施例中,在训练第二金字塔神经网络的同时,还可以同时进一步优化训练第一金字塔神经网络,即本公开实施例中,步骤S604时,可以利用获得的第二损失值同时反向调节第一金字塔神经网络中的卷积核的参数以及第二金字塔神经网络汇中的卷积核参数。从而实现整个网络模型的进一步优化。
基于上述即可以实现第二金字塔神经网络的训练过程,实现第一金字塔神经网络的优化。
另外,在本公开实施例中,步骤S400可以通过特征提取网络模型来实现,其中,本公开实施例还可以执行特征提取网络模型的优化过程,其中,图12示出根据本公开实施例的一种关键点检测方法中的训练特征提取网络模型的流程图,其中,利用训练图像数据集训练所述特征提取网络模型,可以包括:
S701:利用特征提取网络模型对所述第二金字塔神经网络输出的关于训练图像数据集中各图像对应的第三特征图进行所述特征融合处理,并利用特征融合处理后的特征图识别所述训练图像数据集中各图像的关键点;
本公开实施例中,可以将与图像训练数据集对应的经第一金字塔神经网络正向处理以及经第二金字塔神经网络处理得到的第三特征图输入至特征提取网络模型,并通过特征提取网络模型执行特征融合,以及提纯等处理得到训练图像数据集中的各图像的关键点的第三位置。
S702:根据第三损失函数得到各关键点的第三损失;
S703:利用所述第三损失值反向调节所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值,或者利用所述第三损失函数反向调节所述第一金字塔神经网络中的卷积核参数、第二金字塔神经网络中的卷积核参数,以及所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值。
对应的在得到各关键点的第三位置之后可以得到该预测得到的第三位置对应的第三损失值。在训练的过程中,可以根据每次训练得到的第三损失反向调节特征提取网络模型的参数,例如卷积核的参数,或者上述池化等过程的各参数,直到训练次数达到第三次数阈值,该第三次数阈值可以根据需求进行设定,一般为大于120的数值,例如本公开实施例中第三次数阈值可以为140。
其中,第三位置对应的第三损失可以为将第三位置与真实位置之间的第三差值输入至第一损失函数获得的损失值,其中第三损失函数可以为对数损失函数。或者也可以是将第三位置和真实位置输入至第三损失函数,获得对应的第三损失值。本公开实施例对此不进行限定。
基于上述即可以实现特征提取网络模型的训练过程,实现特征提取网络模型参数的优化。
在本公开的另一些实施例中,在训练特征提取网络的同时,还可以同时进一步优化训练第一金字塔神经网络和第二金字塔神经网络,即本公开实施例中,步骤S703时,可以利用获得的第三损失值同时反向调节第一金字塔神经网络中的卷积核的参数、第二金字塔神经网络汇中的卷积核参数,以及特征提取网络模型的参数,从而实现整个网络模型的进一步优化。
综上所述,本公开实施例提出了一种利用双向金字塔网络模型来执行关键点特征检测,其中不仅利用正向处理的方式得到多尺度特征,同时还利用反向处理融合更多的特征,从而能够进一步提高关键点的检测精度。
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。
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。
图13示出根据本公开实施例的关键点检测装置的框图,如图13所示,所述关键点检测装置包括:
多尺度特征获取模块10,其用于获得针对输入图像的多个尺度的第一特征图,各第一特征图的尺度成倍数关系;正向处理模块20,其用于利用第一金字塔神经网络对各所述第一特征图进行正向处理得到与各个所述第一特征图一一对应的第二特征图,其中,所述第二特征图与其一一对应的所述第一特征图的尺度相同;反向处理模块30,其用于利用第二金字塔神经网络对各个所述第二特征图进行反向处理得到与各个所述第二特征图一一对应的第三特征图,其中,所述第三特征图与其一一对应的所述第二特征图的尺度相同;关键点检测模块40,其用于对各所述第三特征图进行特征融合处理,并利用特征融合处理后的特征图获得所述输入图像中的各关键点的位置。
在一些可能的实施方式中,所述多尺度特征获取模块还用于将所述输入图像调整为预设规格的第一图像,并将所述第一图像输入至残差神经网络,对第一图像执行不同采样频率的降采样处理得到多个不同尺度的第一特征图。
在一些可能的实施方式中,所述正向处理包括第一卷积处理和第一线性插值处理,所述反向处理包括第二卷积处理和第二线性插值处理。
在一些可能的实施方式中,所述正向处理模块还用于利用第一卷积核对第一特征图C1...Cn中的第一特征图Cn进行卷积处理,获得与第一特征图Cn对应的第二特征图Fn,其中n表示第一特征图的数量,以及n为大于1的整数;以及对所述第二特征图Fn执行线性插值处理获得与第二特征图Fn对应的第一中间特征图F′n,其中第一中间特征图F′n的尺度与第一特征图Cn-1的尺度相同;以及利用第二卷积核对第一特征图Cn以外的各第一特征图C1...Cn-1进行卷积处理,得到分别与第一特征图C1...Cn-1一一对应的第二中间特征图C′1...C'n-1,其中所述第二中间特征图的尺度与和其一一对应的第一特征图的尺度相同;并且基于所述第二特征图Fn以及各所述第二中间特征图C'1...C'n-1,得到第二特征图F1...Fn-1以及第一中间特征图F′1...F′n-1,其中所述第二特征图Fi由所述第二中间特征图C′i与所述第一中间特征图F′i+1进行叠加处理得到,第一中间特征图F′i由对应的第二特征图Fi经线性插值得到,并且,所述第二中间特征图C′i与第一中间特征图F′i+1的尺度相同,其中,i为大于或者等于1且小于n的整数。
在一些可能的实施方式中,所述反向处理模块还用于利用第三卷积核对第二特征图F1...Fm中的第二特征图F1进行卷积处理,获得与第二特征图F1对应的第三特征图R1,其中m表示第二特征图的数量,以及m为大于1的整数;以及利用第四卷积核对第二特征图F2...Fm进行卷积处理,分别得到对应的第三中间特征图F″2...F″m,其中,第三中间特征图的尺度与对应的第二特征图的尺度相同;以及利用第五卷积核对第三特征图R1进行卷积处理得到与第三特征图R1对应的第四中间特征图R'1;并且利用各第三中间特征图F″2...F″m以及第四中间特征图R'1,得到第三特征图R2...Rm以及第四中间特征图R'2...R'm,其中,第三特征图Rj由第三中间特征图F″j与第四中间特征图R'j-1的叠加处理得到,第四中间特征图R'j-1由对应的第三特征图Rj-1通过第五卷积核卷积处理获得,其中j为大于1且小于或者等于m。
在一些可能的实施方式中,所述关键点检测模块还用于对各第三特征图进行特征融合处理,得到第四特征图,并基于所述第四特征图获得所述输入图像中各关键点的位置。
在一些可能的实施方式中,所述关键点检测模块还用于利用线性插值的方式,将各第三特征图调整为尺度相同的特征图,并对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,所述装置还包括:优化模块,其用于将第一组第三特征图分别输入至不同的瓶颈区块结构中进行卷积处理,分别得到更新后的第三特征图,各所述瓶颈区块结构中包括不同数量的卷积模块,其中,所述第三特征图包括第一组第三特征图和第二组第三特征图,所述第一组第三特征图和所述第二组第三特征图中均包括至少一个第三特征图。
在一些可能的实施方式中,所述关键点检测模块还用于利用线性插值的方式,将各所述更新后的第三特征图以及所述第二组第三特征图,调整为尺度相同的特征图,并对所述尺度相同的特征图进行连接得到所述第四特征图。
在一些可能的实施方式中,所述关键点检测模块还用于利用第五卷积核对所述第四特征图进行降维处理,并利用降维处理后的第四特征图确定输入图像的关键点的位置。
在一些可能的实施方式中,所述关键点检测模块还用于利用第五卷积核对所述第四特征图进行降维处理,利用卷积块注意力模块对降维处理后的第四特征图中的特征进行提纯处理,得到提纯后的特征图,并利用提纯后的特征图确定所述输入图像的关键点的位置。
在一些可能的实施方式中,所述正向处理模块还用于利用训练图像数据集训练所述第一金字塔神经网络,其包括:利用第一金字塔神经网络对所述训练图像数据集中各图像对应的第一特征图进行所述正向处理,得到所述训练图像数据集中各图像对应的第二特征图;利用各第二特征图确定识别的关键点;根据第一损失函数得到所述关键点的第一损失;利用所述第一损失反向调节所述第一金字塔神经网络中的各卷积核,直至训练次数达到设定的第一次数阈值。
在一些可能的实施方式中,所述反向处理模块还用于利用训练图像数据集训练所述第二金字塔神经网络,其包括:利用第二金字塔神经网络对所述第一金字塔神经网络输出的关于训练图像数据集中各图像对应的第二特征图进行所述反向处理,得到所述训练图像数据集中各图像对应的第三特征图;利用各第三特征图确定识别的关键点;根据第二损失函数得到识别的各关键点的第二损失;利用所述第二损失反向调节所述第二金字塔神经网络中卷积核,直至训练次数达到设定的第二次数阈值;或者,利用所述第二损失反向调节所述第一金字塔网络中的卷积核以及第二金字塔神经网络中的卷积核,直至训练次数达到设定的第二次数阈值。
在一些可能的实施方式中,所述关键点检测模块还用于通过特征提取网络执行所述对各所述第三特征图进行特征融合处理,并且在通过特征提取网络执行所述对各所述第三特征图进行特征融合处理之前,还利用训练图像数据集训练所述特征提取网络,其包括:利用特征提取网络对所述第二金字塔神经网络输出的关于训练图像数据集中各图像对应的第三特征图进行所述特征融合处理,并利用特征融合处理后的特征图识别所述训练图像数据集中各图像的关键点;根据第三损失函数得到各关键点的第三损失;利用所述第三损失值反向调节所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值;或者,利用所述第三损失函数反向调节所述第一金字塔神经网络中的卷积核参数、第二金字塔神经网络中的卷积核参数,以及所述特征提取网络的参数,直至训练次数达到设定的第三次数阈值。
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14示出根据本公开实施例的一种电子设备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14,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15示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图15,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。