CN110046600A - 用于人体检测的方法和装置 - Google Patents

用于人体检测的方法和装置 Download PDF

Info

Publication number
CN110046600A
CN110046600A CN201910331939.9A CN201910331939A CN110046600A CN 110046600 A CN110046600 A CN 110046600A CN 201910331939 A CN201910331939 A CN 201910331939A CN 110046600 A CN110046600 A CN 110046600A
Authority
CN
China
Prior art keywords
human body
alternative
body image
alternative human
image region
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
CN201910331939.9A
Other languages
English (en)
Other versions
CN110046600B (zh
Inventor
鲍慊
刘武
梅涛
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 Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information 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 Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201910331939.9A priority Critical patent/CN110046600B/zh
Publication of CN110046600A publication Critical patent/CN110046600A/zh
Priority to PCT/CN2020/081314 priority patent/WO2020215974A1/zh
Priority to JP2021559665A priority patent/JP7265034B2/ja
Priority to US17/602,969 priority patent/US20220198816A1/en
Application granted granted Critical
Publication of CN110046600B publication Critical patent/CN110046600B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于人体检测的方法和装置。该方法的一具体实施方式包括：获取目标图像中的备选人体图像区域集合；对于备选人体图像区域集合中的备选人体图像区域：获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。该实施方式提供了一种基于人体轮廓信息和人体关键点的人体检测机制，提高了人体检测的准确度。

Description

用于人体检测的方法和装置
技术领域
本申请实施例涉及计算机技术领域，尤其涉及用于人体检测的方法和装置。
背景技术
随着计算机技术的飞快发展，数字图像处理技术发展越来越迅猛，已经深入到生活的方方面面。人体检测作为数字图像处理技术领域重要研究课题之一，被广泛应用于国防军事、公共交通、社会安全和商业应用等各个领域。所谓人体检测，是指检测并定位图片中的人体，返回人体矩形框坐标。人体检测是人体姿态分析、人体行为分析等的基础，现有的人体检测方法主要是通过人体检测模型进行。
发明内容
本申请实施例提出了用于人体检测的方法和装置。
第一方面，本申请的一些实施例提供了一种用于人体检测的方法，该方法包括：基于人体检测模型，获取目标图像中的备选人体图像区域集合；对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
在一些实施例中，根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域之后，方法还包括：将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
在一些实施例中，基于人体检测模型，获取目标图像中的备选人体图像区域集合，包括：基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数，包括：根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
在一些实施例中，根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数，包括：根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。
在一些实施例中，根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域，包括：确定备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域；查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域；去除查找到的备选人体图像区域。
在一些实施例中，查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域，包括：对于备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
第二方面，本申请的一些实施例提供了一种用于人体检测的装置，该装置包括：获取单元，被配置成基于人体检测模型，获取目标图像中的备选人体图像区域集合；第一确定单元，被配置成对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；第二确定单元，被配置成根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
在一些实施例中，装置还包括：第三确定单元，被配置成将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
在一些实施例中，获取单元，进一步被配置成：基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及第一确定单元，进一步被配置成：根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
在一些实施例中，第一确定单元，进一步被配置成：根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。
在一些实施例中，第二确定单元，包括：确定子单元，被配置成确定备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域；查找子单元，被配置成查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域；去除子单元，被配置成去除查找到的备选人体图像区域。
在一些实施例中，查找子单元，进一步被配置成：对于备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于人体检测的方法和装置，通过获取目标图像中的备选人体图像区域集合，而后对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数，最后根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域，提供了一种基于人体轮廓信息和人体关键点的人体检测机制，提高了人体检测的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一些可以应用于其中的示例性系统架构图；
图2是根据本申请的用于人体检测的方法的一个实施例的流程图；
图3是根据本申请的用于人体检测的方法的应用场景的一个示意图；
图4是根据本申请的用于人体检测的方法的又一个实施例的流程图；
图5是根据本申请的用于人体检测的装置的一个实施例的结构示意图；
图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。
图1示出了可以应用本申请的用于人体检测的方法或用于人体检测的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如图像采集类应用、图像处理类应用、电子商务类应用、搜索类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以基于人体检测模型，获取目标图像中的备选人体图像区域集合；对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
需要说明的是，本申请实施例所提供的用于人体检测的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于人体检测的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于人体检测的方法的一个实施例的流程200。该用于人体检测的方法，包括以下步骤：
步骤201，基于人体检测模型，获取目标图像中的备选人体图像区域集合。
在本实施例中，用于人体检测的方法执行主体(例如图1所示的服务器或终端)可以首先基于人体检测模型，获取目标图像中的备选人体图像区域集合。目标图像可以包括任何待对其进行人体检测的图像。可以直接将目标图像输入至人体检测模型，也可以先对目标图像进行预处理，将预处理后的目标图像输入至人体检测模型。人体检测模型可以采用SSD、Faster R-CNN、YOLO、R-FCN等目标检测算法进行构建，上述Faster R-CNN、R-FCN、SSD和YOLO是目前广泛研究和应用的公知技术，在此不再赘述。考虑到人体检测模型要保证召回率，因此，可以选择Faster R-CNN等人体检测准确度高的算法。目标图像假设目标图像中包含N个人，经过人体检测模型得到的备选人体图像区域集合中，可以包括M个备选人体图像区域，在保证召回率的前提下M>＝N。
步骤202，对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数。
在本实施例中，上述执行主体可以对于步骤201中获取的备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数。由于经过人体检测模型得到的备选人体图像区域内只有一个人，因此使用单人人体关键点检测模型获取备选人体关键点。
关键点估计是一个回归问题，可以使用卷积神经网络(CNN)等模型，回归出关键点的位置坐标。由于人体的主要关键点的尺度不同，对于头、颈、肩等比较明显和不易做出复杂动作的关节部位，直接使用一个CNN模型可以得到这些关键点的较准确估计。而对于臀、手腕、脚踝等容易被遮挡或不可见的关键点，则需要利用局部信息、增大感受野来进一步获得这些关键点的准确位置。可以使用hourglass(沙漏)模型，或前后级联的网络结构，结合全局信息和局部信息来提高关键点估计的准确度。
hourglass模型内部包括若干个残差网络模块，整个结构是对称的，通过降采样获取低分辨率特征、通过上采样获得高分辨率特征，以及逐元素相加特征图(feature map)。在hourglass模型的末端，可以用两个1*1的全卷积层获得各个关节的热力图(heat map)，一个热力图对应一个关键点，计算hourglass模块输出的热力图与对应关键点真实热力图的差值即可获得该关键点的损失函数值。为了提高关键点估计的准确度，可以将多个hourglass模型依次级联获得堆叠的hourglass模型。由于热力图表示关键点在每个像素点存在的概率，在最后一个hourglass模型输出的每个热力图上寻找最大概率像素所在的位置，即为对应的关键点的位置坐标，概率值即为该关键点的置信度。
在本实施例中，人体轮廓信息可以是用于区分人体与背景的信息，例如区分人体与背景的二值化图像。轮廓信息可以是针对备选人体图像区域集合中的备选人体图像区域进行的，与关键点的确定相互独立。轮廓检测可以使用现有的语义分割技术进行，也可以使用与沙漏型结构相似的编码-解码(Encoder-Decoder)结构，网络输出的末端是1*1的全卷积层，接归一化指数函数损失(softmax loss)层。轮廓检测可以为关键点估计提供弱监督信息，因此即使是较粗糙的轮廓检测也能够满足需求，相比于语义分割，使用与沙漏型结构相似的编码-解码(Encoder-Decoder)结构可以降低了对标注数据质量和网络复杂度的要求。
在本实施例中，可以预先设置在人体轮廓内的备选人体关键点的置信度之和与该备选人体图像区域的置信度分数的对应关系，例如，设置的对应关系可以指示在人体轮廓内的备选人体关键点的置信度之和越大，该备选人体图像区域的置信度分数越高。此外，在确定备选人体图像区域的置信度分数时，还可以考虑人体检测模型输出的该备选人体图像区域为人体图像区域的置信度。由于一些人体关键点可能落在人体轮廓外，还可以综合考虑在人体轮廓外的备选人体关键点的置信度之和，以进一步提高确定出的置信度分数的准确度。
在本实施例的一些可选实现方式中，基于人体检测模型，获取目标图像中的备选人体图像区域集合，包括：基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数，包括：根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
在本实现方式中，根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数可以是根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度进行加权求和，具体的权重可以根据实际需要进行设置，也可以使用机器学习方法，通过训练得到。
在本实施例的一些可选实现方式中，根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数，包括：根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。在本实现方式中，具体的权重可以根据实际需要进行设置，也可以使用机器学习方法，通过训练得到。
步骤203，根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
在本实施例中，上述执行主体可以根据步骤202中确定出的备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。由于人体检测模型为了保证召回率，备选人体图像区域集合中不可避免地会出现冗余的人体图像区域，所以可以通过备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
在本实施例的一些可选实现方式中，根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域之后，方法还包括：将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
在本实施例中，步骤201中人体检测模型的参数、步骤202中单人人体关键点检测模型的参数、确定人体轮廓信息时涉及的参数以及确定置信度分数时涉及的参数，可以通过人工设置确定，也可以使用机器学习方法，通过训练得到。训练时，使用的样本数据可以包括样本图片与标注信息，标注信息可以包括标注的人体图像区域或人体关键点。作为示例，可以将样本图片作为输入，标注的人体关键点的坐标作为输出，训练得到以上参数中的一项或多项。
训练前，可以先对样本数据进行预处理，预处理可以包括数据清洗和数据增强。数据清洗是指去除训练数据中错误的、不完整的标注数据，多人人体关键点标注数据通常存在人体图像区域标注错误和关键点标注错误，包括坐标缺失、坐标错误。数据增强可以是对原训练数据经过旋转、尺寸变化、剪裁、翻转、改变光线亮度等手段获得扩充的训练数据、并且使模型有更强的泛化性。在数据增强的剪裁(crop)步骤中，可以在保证图片长宽比不变的情况下对图片剪裁，在图片边缘补零之后将图片调整到256*256的尺寸。在对图片进行数据增强的同时，标注数据也要进行对应的旋转、尺度变化、翻转等操作。
本申请的上述实施例提供的方法提供了一种基于人体轮廓信息和人体关键点的人体检测机制，提高了人体检测的准确度。
继续参见图3，图3是根据本实施例的用于人体检测的方法的应用场景的一个示意图。在图3的应用场景中，服务器301将目标图像302输入人体检测模型303，获取目标图像302中的备选人体图像区域集合，而后对于备选人体图像区域集合中的备选人体图像区域：将其输入单人人体关键点检测模型304，获取该备选人体图像区域中备选人体关键点的位置信息和置信度，并根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点，而后根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数，最后根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
进一步参考图4，其示出了用于人体检测的方法的又一个实施例的流程400。该用于人体检测的方法的流程400，包括以下步骤：
步骤401，基于人体检测模型，获取目标图像中的备选人体图像区域集合。
在本实施例中，用于人体检测的方法执行主体(例如图1所示的服务器或终端)可以首先基于人体检测模型，获取目标图像中的备选人体图像区域集合。
步骤402，对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数。
在本实施例中，上述执行主体可以对于步骤401中获取的备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数。
步骤403，确定备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域。
在本实施例中，上述执行主体可以确定备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域。分数阈值和预设数目可以根据实际需要进行设置，例如，预设数目可以是1，确定出置信度分数最高的备选人体图像区域。
步骤404，查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域。
在本实施例中，上述执行主体可以查找备选人体图像区域集合中与步骤403中确定出的备选人体图像区域的冗余的备选人体图像区域。上述的人体检测模型为了保证召回率，不可避免地会出现冗余检测框。可以通过关键点相似度(object keypoint s imilarity,OKS)和/或轮廓中心距离确定是否冗余。
在本实施例的一些可选实现方式中，查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域，包括：对于备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
步骤405，去除查找到的备选人体图像区域。
在本实施例中，上述执行主体可以去除步骤404中查找到的备选人体图像区域。通过去除同一个人的冗余估计的同时，不会消除比较靠近的两个人的估计，提高了人体检测的准确度，后续利用人体检测结果进行人体关键点估计时，也可以进一步提高整张图像多人人体关键点估计的准确度。
在本实施例中，步骤401、步骤402的操作与步骤201、步骤202的操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于人体检测的方法的流程400中通过确定备选人体图像区域集合中置信度分数较高的备选人体图像区域，而后去除与这些区域冗余的区域，进一步提高了确定出人体图像区域的准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于人体检测的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于人体检测的装置500包括：获取单元501、第一确定单元502、第二确定单元503。其中，获取单元，被配置成基于人体检测模型，获取目标图像中的备选人体图像区域集合；第一确定单元，被配置成对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；第二确定单元，被配置成根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
在本实施例中，用于人体检测的装置500的获取单元501、第一确定单元502、第二确定单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。
在本实施例的一些可选实现方式中，装置还包括：第三确定单元，被配置成将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
在本实施例的一些可选实现方式中，获取单元，进一步被配置成：基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及第一确定单元，进一步被配置成：根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
在本实施例的一些可选实现方式中，第一确定单元，进一步被配置成：根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。
在本实施例的一些可选实现方式中，第二确定单元，包括：确定子单元，被配置成确定备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域；查找子单元，被配置成查找备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域；去除子单元，被配置成去除查找到的备选人体图像区域。
在本实施例的一些可选实现方式中，查找子单元，进一步被配置成：对于备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
本申请的上述实施例提供的装置，通过基于人体检测模型，获取目标图像中的备选人体图像区域集合；对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域，提供了一种基于人体轮廓信息和人体关键点的人体检测机制，提高了人体检测的准确度。
下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元和第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成基于人体检测模型，获取目标图像中的备选人体图像区域集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：基于人体检测模型，获取目标图像中的备选人体图像区域集合；对于备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；根据备选人体图像区域集合中的备选人体图像区域的置信度分数，从备选人体图像区域集合中确定出人体图像区域。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于人体检测的方法，所述方法包括：
基于人体检测模型，获取目标图像中的备选人体图像区域集合；
对于所述备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；
根据所述备选人体图像区域集合中的备选人体图像区域的置信度分数，从所述备选人体图像区域集合中确定出人体图像区域。
2.根据权利要求1所述的方法，其中，所述根据所述备选人体图像区域集合中的备选人体图像区域的置信度分数，从所述备选人体图像区域集合中确定出人体图像区域之后，所述方法还包括：
将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
3.根据权利要求1所述的方法，其中，所述基于人体检测模型，获取目标图像中的备选人体图像区域集合，包括：
基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及
所述根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数，包括：
所述根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
4.根据权利要求3所述的方法，其中，所述根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数，包括：
根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据所述备选人体图像区域集合中的备选人体图像区域的置信度分数，从所述备选人体图像区域集合中确定出人体图像区域，包括：
确定所述备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域；
查找所述备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域；
去除查找到的备选人体图像区域。
6.根据权利要求5所述的方法，其中，所述查找所述备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域，包括：
对于所述备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
7.一种用于人体检测的装置，所述装置包括：
获取单元，被配置成基于人体检测模型，获取目标图像中的备选人体图像区域集合；
第一确定单元，被配置成对于所述备选人体图像区域集合中的备选人体图像区域：基于单人人体关键点检测模型，获取该备选人体图像区域中备选人体关键点的位置信息和置信度；根据该备选人体图像区域中的人体轮廓信息和所获取的位置信息确定在人体轮廓内的备选人体关键点；根据在人体轮廓内的备选人体关键点的置信度之和确定该备选人体图像区域的置信度分数；
第二确定单元，被配置成根据所述备选人体图像区域集合中的备选人体图像区域的置信度分数，从所述备选人体图像区域集合中确定出人体图像区域。
8.根据权利要求7所述的装置，其中，所述装置还包括：
第三确定单元，被配置成将确定出的人体图像区域中的备选人体关键点确定为人体关键点。
9.根据权利要求7所述的装置，其中，所述获取单元，进一步被配置成：
基于人体检测模型，获取目标图像中的备选人体图像区域集合，以及备选人体图像区域集合中的备选人体图像区域为人体图像区域的置信度；以及
所述第一确定单元，进一步被配置成：
所述根据在人体轮廓内的备选人体关键点的置信度之和以及该备选人体图像区域为人体图像区域的置信度，确定该备选人体图像区域的置信度分数。
10.根据权利要求9所述的装置，其中，所述第一确定单元，进一步被配置成：
根据预先设置的权重，对在人体轮廓内的备选人体关键点的置信度之和、该备选人体图像区域为人体图像区域的置信度、在人体轮廓外的备选人体关键点的置信度之和进行加权求和，得到该备选人体图像区域的置信度分数，其中，针对在人体轮廓内的备选人体关键点的置信度之和设置的权重，大于针对在人体轮廓外的备选人体关键点的置信度之和设置的权重。
11.根据权利要求7-10中任一项所述的装置，其中，所述第二确定单元，包括：
确定子单元，被配置成确定所述备选人体图像区域集合中置信度分数超过预设分数阈值，或按照置信度分数从高到低排序，排在前预设数目的备选人体图像区域；
查找子单元，被配置成查找所述备选人体图像区域集合中与确定出的备选人体图像区域的冗余的备选人体图像区域；
去除子单元，被配置成去除查找到的备选人体图像区域。
12.根据权利要求11所述的装置，其中，所述查找子单元，进一步被配置成：
对于所述备选人体图像区域集合中的备选人体图像区域：根据该备选人体图像区域中的人体轮廓信息与确定出的备选人体图像区域中的人体轮廓信息确定轮廓中心距离；并根据该备选人体图像区域包括的备选人体关键点，与确定出的备选人体图像区域包括的备选人体关键点之间的距离确定相似度；响应于确定出的轮廓中心距离小于预设距离阈值，且确定出的相似度大于预设相似度阈值，确定该备选人体图像区域为冗余的备选人体图像区域。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910331939.9A 2019-04-24 2019-04-24 用于人体检测的方法和装置 Active CN110046600B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910331939.9A CN110046600B (zh) 2019-04-24 2019-04-24 用于人体检测的方法和装置
PCT/CN2020/081314 WO2020215974A1 (zh) 2019-04-24 2020-03-26 用于人体检测的方法和装置
JP2021559665A JP7265034B2 (ja) 2019-04-24 2020-03-26 人体検出用の方法及び装置
US17/602,969 US20220198816A1 (en) 2019-04-24 2020-03-26 Method and apparatus for detecting body

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910331939.9A CN110046600B (zh) 2019-04-24 2019-04-24 用于人体检测的方法和装置

Publications (2)

Publication Number Publication Date
CN110046600A true CN110046600A (zh) 2019-07-23
CN110046600B CN110046600B (zh) 2021-02-26

Family

ID=67278895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910331939.9A Active CN110046600B (zh) 2019-04-24 2019-04-24 用于人体检测的方法和装置

Country Status (4)

Country Link
US (1) US20220198816A1 (zh)
JP (1) JP7265034B2 (zh)
CN (1) CN110046600B (zh)
WO (1) WO2020215974A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490140A (zh) * 2019-08-21 2019-11-22 上海眼控科技股份有限公司 屏幕显示状态判别方法、装置、计算机设备和存储介质
CN110705365A (zh) * 2019-09-06 2020-01-17 北京达佳互联信息技术有限公司 一种人体关键点检测方法、装置、电子设备及存储介质
CN110889376A (zh) * 2019-11-28 2020-03-17 创新奇智(南京)科技有限公司 一种基于深度学习的安全帽佩戴检测系统及方法
CN111027495A (zh) * 2019-12-12 2020-04-17 京东数字科技控股有限公司 用于检测人体关键点的方法和装置
CN111079695A (zh) * 2019-12-30 2020-04-28 北京华宇信息技术有限公司 一种人体关键点检测与自学习方法及装置
CN111507806A (zh) * 2020-04-23 2020-08-07 北京百度网讯科技有限公司 虚拟试鞋方法、装置、设备以及存储介质
WO2020215974A1 (zh) * 2019-04-24 2020-10-29 北京京东尚科信息技术有限公司 用于人体检测的方法和装置
CN111861998A (zh) * 2020-06-24 2020-10-30 浙江大华技术股份有限公司 一种人体图像质量评估方法、装置、系统和计算机设备
CN112528850A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 人体识别方法、装置、设备和存储介质
CN112613382A (zh) * 2020-12-17 2021-04-06 浙江大华技术股份有限公司 对象完整性的确定方法及装置、存储介质、电子装置
CN112699706A (zh) * 2019-10-22 2021-04-23 广州弘度信息科技有限公司 跌倒检测方法、系统和存储介质
CN113011242A (zh) * 2020-12-31 2021-06-22 杭州拓深科技有限公司 一种仰卧起坐计数方法、装置、电子装置和存储介质
WO2021204037A1 (zh) * 2020-11-12 2021-10-14 平安科技（深圳）有限公司 人脸关键点的检测方法、装置、存储介质及电子设备
CN113947635A (zh) * 2021-10-15 2022-01-18 北京百度网讯科技有限公司 图像定位方法、装置、电子设备以及存储介质
CN117290537A (zh) * 2023-09-28 2023-12-26 腾讯科技（深圳）有限公司 图像搜索方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295567A (zh) * 2016-08-10 2017-01-04 腾讯科技（深圳）有限公司 一种关键点的定位方法及终端
US20170213359A1 (en) * 2016-01-27 2017-07-27 Samsung Electronics Co., Ltd. Method and apparatus for positioning feature point
CN108009466A (zh) * 2016-10-28 2018-05-08 北京旷视科技有限公司 行人检测方法和装置
CN108038469A (zh) * 2017-12-27 2018-05-15 百度在线网络技术（北京）有限公司 用于检测人体的方法和装置
CN108121952A (zh) * 2017-12-12 2018-06-05 北京小米移动软件有限公司 人脸关键点定位方法、装置、设备及存储介质
US20180157931A1 (en) * 2016-12-06 2018-06-07 Datalogic Ip Tech S.R.L. Object Recognition Utilizing Feature Alignment
CN108205655A (zh) * 2017-11-07 2018-06-26 北京市商汤科技开发有限公司 一种关键点预测方法、装置、电子设备及存储介质
US20180239973A1 (en) * 2015-09-11 2018-08-23 Intel Corporation A real-time multiple vehicle detection and tracking
CN108898087A (zh) * 2018-06-22 2018-11-27 腾讯科技（深圳）有限公司 人脸关键点定位模型的训练方法、装置、设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4686663B2 (ja) * 2006-07-10 2011-05-25 国立大学法人京都大学 歩行者トラッキング方法及び歩行者トラッキング装置
KR101591779B1 (ko) * 2009-03-17 2016-02-05 삼성전자주식회사 모션 데이터 및 영상 데이터를 이용한 골격 모델 생성 장치및 방법
JP5152231B2 (ja) * 2010-03-12 2013-02-27 オムロン株式会社 画像処理方法および画像処理装置
CN106355188B (zh) * 2015-07-13 2020-01-21 阿里巴巴集团控股有限公司 图像检测方法及装置
US10083352B1 (en) * 2017-05-22 2018-09-25 Amazon Technologies, Inc. Presence detection and detection localization
CN109101859A (zh) * 2017-06-21 2018-12-28 北京大学深圳研究生院 使用高斯惩罚检测图像中行人的方法
CN107609536A (zh) * 2017-09-29 2018-01-19 百度在线网络技术（北京）有限公司 信息生成方法和装置
CN108122247B (zh) * 2017-12-25 2018-11-13 北京航空航天大学 一种基于图像显著性和特征先验模型的视频目标检测方法
CN108710868B (zh) * 2018-06-05 2020-09-04 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
US11301718B2 (en) * 2018-12-28 2022-04-12 Vizit Labs, Inc. Systems, methods, and storage media for training a machine learning model
CN110046600B (zh) * 2019-04-24 2021-02-26 北京京东尚科信息技术有限公司 用于人体检测的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180239973A1 (en) * 2015-09-11 2018-08-23 Intel Corporation A real-time multiple vehicle detection and tracking
US20170213359A1 (en) * 2016-01-27 2017-07-27 Samsung Electronics Co., Ltd. Method and apparatus for positioning feature point
CN106295567A (zh) * 2016-08-10 2017-01-04 腾讯科技（深圳）有限公司 一种关键点的定位方法及终端
CN108009466A (zh) * 2016-10-28 2018-05-08 北京旷视科技有限公司 行人检测方法和装置
US20180157931A1 (en) * 2016-12-06 2018-06-07 Datalogic Ip Tech S.R.L. Object Recognition Utilizing Feature Alignment
CN108205655A (zh) * 2017-11-07 2018-06-26 北京市商汤科技开发有限公司 一种关键点预测方法、装置、电子设备及存储介质
CN108121952A (zh) * 2017-12-12 2018-06-05 北京小米移动软件有限公司 人脸关键点定位方法、装置、设备及存储介质
CN108038469A (zh) * 2017-12-27 2018-05-15 百度在线网络技术（北京）有限公司 用于检测人体的方法和装置
CN108898087A (zh) * 2018-06-22 2018-11-27 腾讯科技（深圳）有限公司 人脸关键点定位模型的训练方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIGUO ZHANG等: ""Pedestrian detection aided by fusion of binocular information"", 《PATTERN RECOGNITION》 *
董德轩: ""基于深度学习的人脸检测算法研究"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
赵九洋: ""图像中行人检测关键技术研究"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215974A1 (zh) * 2019-04-24 2020-10-29 北京京东尚科信息技术有限公司 用于人体检测的方法和装置
CN110490140A (zh) * 2019-08-21 2019-11-22 上海眼控科技股份有限公司 屏幕显示状态判别方法、装置、计算机设备和存储介质
CN110705365A (zh) * 2019-09-06 2020-01-17 北京达佳互联信息技术有限公司 一种人体关键点检测方法、装置、电子设备及存储介质
CN112699706A (zh) * 2019-10-22 2021-04-23 广州弘度信息科技有限公司 跌倒检测方法、系统和存储介质
CN110889376A (zh) * 2019-11-28 2020-03-17 创新奇智(南京)科技有限公司 一种基于深度学习的安全帽佩戴检测系统及方法
CN111027495A (zh) * 2019-12-12 2020-04-17 京东数字科技控股有限公司 用于检测人体关键点的方法和装置
CN111079695A (zh) * 2019-12-30 2020-04-28 北京华宇信息技术有限公司 一种人体关键点检测与自学习方法及装置
CN111507806A (zh) * 2020-04-23 2020-08-07 北京百度网讯科技有限公司 虚拟试鞋方法、装置、设备以及存储介质
CN111507806B (zh) * 2020-04-23 2023-08-29 北京百度网讯科技有限公司 虚拟试鞋方法、装置、设备以及存储介质
CN111861998A (zh) * 2020-06-24 2020-10-30 浙江大华技术股份有限公司 一种人体图像质量评估方法、装置、系统和计算机设备
WO2021204037A1 (zh) * 2020-11-12 2021-10-14 平安科技（深圳）有限公司 人脸关键点的检测方法、装置、存储介质及电子设备
CN112528850A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 人体识别方法、装置、设备和存储介质
US11854237B2 (en) 2020-12-11 2023-12-26 Beijing Baidu Netcom Science and Technology Co., Ltd Human body identification method, electronic device and storage medium
CN112528850B (zh) * 2020-12-11 2024-06-04 北京百度网讯科技有限公司 人体识别方法、装置、设备和存储介质
CN112613382A (zh) * 2020-12-17 2021-04-06 浙江大华技术股份有限公司 对象完整性的确定方法及装置、存储介质、电子装置
CN112613382B (zh) * 2020-12-17 2024-04-30 浙江大华技术股份有限公司 对象完整性的确定方法及装置、存储介质、电子装置
CN113011242A (zh) * 2020-12-31 2021-06-22 杭州拓深科技有限公司 一种仰卧起坐计数方法、装置、电子装置和存储介质
CN113947635A (zh) * 2021-10-15 2022-01-18 北京百度网讯科技有限公司 图像定位方法、装置、电子设备以及存储介质
CN117290537A (zh) * 2023-09-28 2023-12-26 腾讯科技（深圳）有限公司 图像搜索方法、装置、设备及存储介质
CN117290537B (zh) * 2023-09-28 2024-06-07 腾讯科技（深圳）有限公司 图像搜索方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20220198816A1 (en) 2022-06-23
JP2022528176A (ja) 2022-06-08
CN110046600B (zh) 2021-02-26
JP7265034B2 (ja) 2023-04-25
WO2020215974A1 (zh) 2020-10-29

Similar Documents

Publication Publication Date Title
CN110046600A (zh) 用于人体检测的方法和装置
CN108197532B (zh) 人脸识别的方法、装置及计算机装置
CN108280477B (zh) 用于聚类图像的方法和装置
CN109508681A (zh) 生成人体关键点检测模型的方法和装置
CN108427939B (zh) 模型生成方法和装置
CN108154196B (zh) 用于输出图像的方法和装置
CN108520220B (zh) 模型生成方法和装置
CN108304835A (zh) 文字检测方法和装置
US20200110965A1 (en) Method and apparatus for generating vehicle damage information
CN109308490A (zh) 用于生成信息的方法和装置
CN115953665B (zh) 一种目标检测方法、装置、设备及存储介质
CN112712069B (zh) 一种判题方法、装置、电子设备及存储介质
CN110348511A (zh) 一种图片翻拍检测方法、系统及电子设备
CN109389169A (zh) 用于处理图像的方法和装置
CN108509994B (zh) 人物图像聚类方法和装置
CN109409364A (zh) 图像标注方法和装置
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
CN113095129A (zh) 姿态估计模型训练方法、姿态估计方法、装置和电子设备
CN108509921A (zh) 用于生成信息的方法和装置
CN108171208A (zh) 信息获取方法和装置
CN110472673B (zh) 参数调整方法、眼底图像处理方法、装置、介质及设备
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN109064464A (zh) 用于检测电池极片毛刺的方法和装置
CN109165572A (zh) 用于生成信息的方法和装置
CN113792569B (zh) 对象识别方法、装置、电子设备及可读介质

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