CN110532981B - 人体关键点提取方法、装置、可读存储介质及设备 - Google Patents

人体关键点提取方法、装置、可读存储介质及设备 Download PDF

Info

Publication number
CN110532981B
CN110532981B CN201910828826.XA CN201910828826A CN110532981B CN 110532981 B CN110532981 B CN 110532981B CN 201910828826 A CN201910828826 A CN 201910828826A CN 110532981 B CN110532981 B CN 110532981B
Authority
CN
China
Prior art keywords
key point
model
human body
loss value
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.)
Active
Application number
CN201910828826.XA
Other languages
English (en)
Other versions
CN110532981A (zh
Inventor
喻冬东
王长虎
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201910828826.XA priority Critical patent/CN110532981B/zh
Publication of CN110532981A publication Critical patent/CN110532981A/zh
Application granted granted Critical
Publication of CN110532981B publication Critical patent/CN110532981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V10/44—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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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

Landscapes

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

Abstract

本公开涉及一种人体关键点提取方法、装置、可读存储介质及设备，所述方法包括：接收包含人体图像部分的目标图像；提取所述目标图像中的目标人体特征图；将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。通过上述技术方案，可以有效提高提取出的人体关键点的准确度，提升用户使用体验。

Description

人体关键点提取方法、装置、可读存储介质及设备
技术领域
本公开涉及图像处理领域，具体地，涉及一种人体关键点提取方法、装置、可读存储介质及设备。
背景技术
在进行图像关键点提取时，现有技术中，通常是通过卷积神经网络提取图像的关键点，将标记的图像进行统一训练。然而，当图像中包含过多的人物时，若两个人物距离较近时，在确定其中某一人物的关键点时，通过上述方式难以对该不同人物的关键点进行区分。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种人体关键点提取方法，所述方法包括：
接收包含人体图像部分的目标图像；
提取所述目标图像中的目标人体特征图；
将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
第二方面，本公开提供一种人体关键点提取装置，所述装置包括：
接收模块，用于接收包含人体图像部分的目标图像；
第一提取模块，用于提取所述目标图像中的目标人体特征图；
第一输入模块，用于将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。
在上述技术方案中，通过将从目标人体图像获得的目标人体特征图输入关键点提取模型，从而可以获得人体关键点热图，以用于表示提取出的各个关键点。其中，关键点提取模型的损失值是根据第一子模型的损失值和第二子模型的损失值确定的，因此，在确定关键点提取模型的损失值时，不仅考虑了人体关键点热图之间的损失，同时考虑了关键点坐标信息之间的损失，通过综合第一子模型和第二子模型的损失值作为关键点提取模型的损失值，对关键点提取模型进行训练，可以基于关键点坐标信息之间的损失值对第一子模型的参数进行更新，从而使得第一子模型的参数值更加准确，进而基于该关键点提取模型对人体关键点热图进行预测时可以获得更加准确的人体关键点热图，即在第一子模型确定人体关键点热图时，由于该第一子模型的参数在更新时参考了第二子模型的损失值(关键点回归坐标信息的对应的损失值)，即通过关键点回归坐标信息对人体关键点热图进行位置约束，从而可以有效避免第一子模型确定出的人体关键点热图中包含其他人物(即，对应于其他位置)的关键点，从而可以准确地对图像中的密集人群的各个人物的关键点进行区分。并且，通过关键点提取模型的损失值对第二子模型进行更新，从而使得第二子模型获得的关键点回归坐标信息更加准确，进一步提高人体关键点提取的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开的一种实施方式提供的人体关键点提取方法的流程图。
图2是关键点提取模型的示意图。
图3是根据本公开的一种实施方式提供的人体关键点提取装置的框图。
图4是根据本公开一种实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
如背景技术中，在图像中包含过多的人物的情况下，针对想要确定出属于其中的某一人物的关键点的场景，如，需要将不同的人物用不同的颜色进行高亮标示时，根据现有技术则难以对其进行区分，从而可能出现两个人物距离较近的手部区域显示为同一颜色，难以适应于人物较多或人物较密集的场景。
图1所示，为根据本公开的一种实施方式提供的人体关键点提取方法的流程图，如图1所示，所述方法包括：
在S11中，接收包含人体图像部分的目标图像。其中，人体图像部分可以包括头部和肢体部分。
在S12中，提取目标图像中的目标人体特征图，其中，所述目标人体特征图为该目标图像中的人体图像部分对应的特征图。示例地，可以通过ResNet(Residual NeuralNetwork，残差神经网络)提取目标图像中的目标人体特征图。
在S13中，将目标人体特征图输入至关键点提取模型，以获得人体关键点热图(heatmap)；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
如图2所示，为该关键点提取模型的示意图。所述关键点提取模型10包括第一子模型101和第二子模型102，其中，在该实施例中，第一子模型101和第二子模型102之间相互独立。第一子模型101和第二子模型102可以分别为一卷积神经网络。关键点提取模型还可以包括损失值确定单元103，分别与第一子模型101和第二子模型102的输出连接，从而可以通过该损失值确定单元103根据第一子模型101的损失值和第二子模型102的损失值确定关键点提取模型的损失值，从而可以根据该关键点提取模型的损失值对该关键点提取模型进行训练更新，提高关键点提取模型的准确度。
在上述技术方案中，通过将从目标图像获得的目标人体特征图输入关键点提取模型，从而可以获得人体关键点热图，以用于表示提取出的各个关键点。其中，关键点提取模型的损失值是根据第一子模型的损失值和第二子模型的损失值确定的，因此，在确定关键点提取模型的损失值时，不仅考虑了人体关键点热图之间的损失，同时考虑了关键点坐标信息之间的损失，通过综合第一子模型和第二子模型的损失值作为关键点提取模型的损失值，对关键点提取模型进行训练，可以基于关键点坐标信息之间的损失值对第一子模型的参数进行更新，从而使得第一子模型的参数值更加准确，进而基于该关键点提取模型对人体关键点热图进行预测时可以获得更加准确的人体关键点热图，即在第一子模型确定人体关键点热图时，由于该第一子模型的参数在更新时参考了第二子模型的损失值(关键点回归坐标信息的对应的损失值)，即通过关键点回归坐标信息对人体关键点热图进行位置约束，从而可以有效避免第一子模型确定出的人体关键点热图中包含其他人物(即，对应于其他位置)的关键点，从而可以准确地对图像中的密集人群中的各个人物的关键点进行区分。并且，通过关键点提取模型的损失值对第二子模型进行更新，从而使得第二子模型获得的关键点回归坐标信息更加准确，进一步提高人体关键点提取的准确度。
可选地，在一实施例中，所述关键点提取模型通过以下方式进行训练：
提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息。其中，可以从数据库或者互联网上获取大量包含人体图像部分的图像。之后，为该图像中的人体图像部分标记关键点得分图(scoremap)和关键点坐标信息进行标记，从而确定训练图像，以对关键点提取模型进行训练。
将历史人体特征图输入关键点提取模型，获得历史人体特征图的人体关键点热图和关键点回归坐标信息。
作为示例，将历史人体特征图输入第一子模型，获得历史人体特征图的人体关键点热图；将历史人体特征图输入第二子模型，获得历史人体特征图的关键点回归坐标信息。
根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值，其中，第一子模型的损失值用于表示该第一子模型获得的该历史人体特征图的人体关键点热图的准确度，该损失值越低，表示第一子模型的关键点提取的准确度越高。
可选地，所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差。其中，历史人体特征图的人体关键点热图和关键点得分图均可以通过矩阵进行表示，通过计算两者之间的均方差可以用于表征两者之间的相似度，该均方差越小，则表示历史人体特征图的人体关键点热图和所述关键点得分图越相似，即该第一子模型获得的历史人体特征图的人体关键点热图越准确。
根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值，其中，第二子模型的损失值用于表示该第二子模型获得的该历史人体特征图的关键点回归坐标信息的准确度，该损失值越低，表示第二子模型确定的关键点回归坐标信息的准确度越高。
可选地，所述第二子模型的损失值为根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。其中，可以通过OKS(object keypoint similarity，关键点相似度)来确定各个关键点对应的相似度，该OKS算法并不是仅仅通过简单的欧氏距离来计算的，而是有一定的尺度加入，来计算两点之间的相似度，从而可以更加准确地对获得的人体关键点进行评价。其中，OKS算法的具体计算公式为现有技术，在此不再赘述。
根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值。
其中，可以将第一子模型的损失值和第二子模型的损失值进行加权求和，从而确定该关键点提取模型的损失值。示例地，可以根据各个实际使用场景确定该不同场景下对应的关键点提取模型的损失值的确定方式。例如，可以针对关键点的坐标精度要求，通过预先进行多次实验，确定该不同精度要求场景下的对应的权重值，之后通过加权求和确定关键点提取模型的损失值，以对关键点提取模型进行准确地训练。其中，各个场景下的权重值均可以通过预先多次实验数据确定，从而有效保证关键点提取模型的准确度。
若根据所述关键点提取模型的损失值确定更新所述关键点提取模型，则根据所述关键点模型的损失值更新所述关键点提取模型，并重新返回提取训练图像中的历史人体特征图的步骤，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
其中，若关键点提取模型的损失值小于预设阈值，表示该关键点提取模型当前的准确度已经满足使用的需求，则确定结束更新该关键点提取模型，若关键点提取模型的损失值大于或等于该预设阈值，表示该关键点提取模型当前的准确度尚未满足使用的需求，则确定更新该关键点提取模型。
需要进行说明的是，重新返回提取训练图像中的历史人体特征图的步骤表示返回该提取训练图像中的历史人体特征图的步骤之后继续执行后续的训练步骤，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
在上述技术方案中，通过分别确定第一子模型的损失值和第二子模型的损失值，从而可以确定该关键点提取模型的损失值，进而可以对关键点模型进行更新，既可以保证训练得出的关键点提取模型的准确度，同时也可以有效缩短训练过程，降低训练过程中的数据处理量。
可选地，所述提取所述目标图像中的目标人体特征图，包括：
提取所述目标图像的人体图像部分对应的第一图像。其中，可以通过现有的人体识别提取算法提取出第一图像，示例地，可以通过faster-rcnn算法或者maskrcnn算法对目标图像中的人体图像部分对应的图像进行提取。
将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
不同的目标图像中人体图像部分对应的占比可能相同也可能不同，例如，目标图像是同一用户通过连拍获得的，其中人体图像部分对应的占比一般类似，而对于不同用户拍摄的图像而言，其中人体图像部分对应的占比一般不同。因此，为了便于对目标图像中人体图像部分进行统一的处理，在该实施例中，可以在提取出目标图像中的人体图像部分对应的第一图像之后，将该第一图像的分辨率调整到预设分辨率以获得第二图像。示例地，预设分辨率可以是400*600，当提取出的第一图像的分辨率小于该预设分辨率时，可以通过放大图像的方式使得第一图像的分辨率为400*600；当提取出的第一图像的分辨率大于该预设分辨率时，可以通过缩小图像的方式使得第一图像的分辨率为400*600。因此，在基于第二图像确定目标人体特征图时，可以保证确定出的目标人体特征图的分辨率一致。其中，对图像进行放大或缩小的方式为现有技术，在此不再赘述。
因此，通过上述技术方案，可以根据不同的目标图像提取出分辨率一致的目标人体特征图，便于对目标人体特征图进行统一的处理，有效简化处理流程，提高处理速度。同时，贴合用户的使用需求，便于用户使用。
本公开还提供一种人体关键点提取装置，如图3所示，所述装置20包括：
接收模块201，用于接收包含人体图像部分的目标图像；
第一提取模块202，用于提取所述目标图像中的目标人体特征图；
第一输入模块203，用于将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
可选地，所述关键点提取模型通过训练装置进行训练，所述训练装置包括：
第二提取模块，用于提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息；
第二输入模块，用于将所述历史人体特征图输入所述关键点提取模型，获得所述历史人体特征图的人体关键点热图和关键点回归坐标信息；
第一确定模块，用于根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值；
第二确定模块，用于根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值；
第三确定模块，用于根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值；
更新模块，用于在根据所述关键点提取模型的损失值确定更新所述关键点提取模型的情况下，根据所述关键点模型的损失值更新所述关键点提取模型，并重新返回所述第二提取模块提取训练图像中的历史人体特征图，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
可选地，所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差；
所述第二子模型的损失值为根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。
可选地，所述第一提取模块包括：
提取子模块，用于提取所述目标图像的人体图像部分对应的第一图像；
调整子模块，用于将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置606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，还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在非暂态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装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开中，计算机可读存储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。而在本公开中，计算机可读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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：
接收包含人体图像部分的目标图像；
提取所述目标图像中的目标人体特征图；
将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种人体关键点提取方法，包括：
接收包含人体图像部分的目标图像；
提取所述目标图像中的目标人体特征图；
将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
根据本公开的一个或多个实施例，提供了一种人体关键点提取方法，还包括：
所述关键点提取模型通过以下方式进行训练：
提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息；
将所述历史人体特征图输入所述关键点提取模型，获得所述历史人体特征图的人体关键点热图和关键点回归坐标信息；
根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值；
根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值；
根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值；
若根据所述关键点提取模型的损失值确定更新所述关键点提取模型，则根据所述关键点模型的损失值更新所述关键点提取模型，并重新返回提取训练图像中的历史人体特征图的步骤，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
根据本公开的一个或多个实施例，提供了一种人体关键点提取方法，还包括：
所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差；
所述第二子模型的损失值为根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。
根据本公开的一个或多个实施例，提供了一种人体关键点提取方法，还包括：
所述提取所述目标图像中的目标人体特征图，包括：
提取所述目标图像的人体图像部分对应的第一图像；
将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
根据本公开的一个或多个实施例，提供了一种人体关键点提取装置，包括：
接收模块，用于接收包含人体图像部分的目标图像；
第一提取模块，用于提取所述目标图像中的目标人体特征图；
第一输入模块，用于将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的。
根据本公开的一个或多个实施例，提供了一种人体关键点提取装置，还包括：
所述关键点提取模型通过训练装置进行训练，所述训练装置包括：
第二提取模块，用于提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息；
第二输入模块，用于将所述历史人体特征图输入所述关键点提取模型，获得所述历史人体特征图的人体关键点热图和关键点回归坐标信息；
第一确定模块，用于根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值；
第二确定模块，用于根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值；
第三确定模块，用于根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值；
更新模块，用于在根据所述关键点提取模型的损失值确定更新所述关键点提取模型的情况下，根据所述关键点模型的损失值更新所述关键点提取模型，并重新返回所述第二提取模块提取训练图像中的历史人体特征图，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
根据本公开的一个或多个实施例，提供了一种人体关键点提取装置，还包括：
所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差；
所述第二子模型的损失值为根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。
根据本公开的一个或多个实施例，提供了一种人体关键点提取装置，还包括：
所述第一提取模块包括：
提取子模块，用于提取所述目标图像的人体图像部分对应的第一图像；
调整子模块，用于将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
根据本公开的一个或多个实施例，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开人体关键点提取方法的步骤。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开人体关键点提取方法的步骤。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种人体关键点提取方法，其特征在于，所述方法包括：
接收包含人体图像部分的目标图像；
提取所述目标图像中的目标人体特征图；
将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息，其中，所述关键点回归坐标信息用于对所述人体关键点热图进行位置约束；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的，所述关键点提取模型的训练图像中标记有关键点坐标信息，所述第二子模型的损失值为根据所述训练图像提取出的历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。
2.根据权利要求1所述的方法，其特征在于，所述关键点提取模型通过以下方式进行训练：
提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息；
将所述历史人体特征图输入所述关键点提取模型，获得所述历史人体特征图的人体关键点热图和关键点回归坐标信息；
根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值；
根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值；
根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值；
若根据所述关键点提取模型的损失值确定更新所述关键点提取模型，则根据所述关键点提取 模型的损失值更新所述关键点提取模型，并重新返回提取训练图像中的历史人体特征图的步骤，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
3.根据权利要求2所述的方法，其特征在于，所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述提取所述目标图像中的目标人体特征图，包括：
提取所述目标图像的人体图像部分对应的第一图像；
将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
5.一种人体关键点提取装置，其特征在于，所述装置包括：
接收模块，用于接收包含人体图像部分的目标图像；
第一提取模块，用于提取所述目标图像中的目标人体特征图；
第一输入模块，用于将所述目标人体特征图输入至关键点提取模型，以获得人体关键点热图；
其中，所述关键点提取模型包括第一子模型和第二子模型，所述第一子模型用于根据所述目标人体特征图获得人体关键点热图，所述第二子模型用于根据所述目标人体特征图获得关键点回归坐标信息，其中，所述关键点回归坐标信息用于对所述人体关键点热图进行位置约束；所述关键点提取模型的损失值是根据所述第一子模型的损失值和所述第二子模型的损失值确定的，所述关键点提取模型的训练图像中标记有关键点坐标信息，所述第二子模型的损失值为根据所述训练图像提取出的历史人体特征图的关键点回归坐标信息和所述关键点坐标信息确定出的各个关键点对应的相似度和1之间的均方差。
6.根据权利要求5所述的装置，其特征在于，所述关键点提取模型通过训练装置进行训练，所述训练装置包括：
第二提取模块，用于提取训练图像中的历史人体特征图，所述训练图像中标记有关键点得分图和关键点坐标信息；
第二输入模块，用于将所述历史人体特征图输入所述关键点提取模型，获得所述历史人体特征图的人体关键点热图和关键点回归坐标信息；
第一确定模块，用于根据所述历史人体特征图的人体关键点热图和所述关键点得分图，确定所述第一子模型的损失值；
第二确定模块，用于根据所述历史人体特征图的关键点回归坐标信息和所述关键点坐标信息，确定所述第二子模型的损失值；
第三确定模块，用于根据所述第一子模型的损失值和所述第二子模型的损失值，确定所述关键点提取模型的损失值；
更新模块，用于在根据所述关键点提取模型的损失值确定更新所述关键点提取模型的情况下，根据所述关键点提取 模型的损失值更新所述关键点提取模型，并重新返回所述第二提取模块提取训练图像中的历史人体特征图，直至根据更新后的关键点模型的损失值确定结束更新所述关键点提取模型，获得训练后的关键点提取模型。
7.根据权利要求6所述的装置，其特征在于，所述第一子模型的损失值为所述历史人体特征图的人体关键点热图和所述关键点得分图之间的均方差。
8.根据权利要求5-7中任一项所述的装置，其特征在于，所述第一提取模块包括：
提取子模块，用于提取所述目标图像的人体图像部分对应的第一图像；
调整子模块，用于将所述第一图像对应的分辨率调整至预设分辨率，获得第二图像，并根据所述第二图像确定所述目标图像中的所述目标人体特征图。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
CN201910828826.XA 2019-09-03 2019-09-03 人体关键点提取方法、装置、可读存储介质及设备 Active CN110532981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910828826.XA CN110532981B (zh) 2019-09-03 2019-09-03 人体关键点提取方法、装置、可读存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910828826.XA CN110532981B (zh) 2019-09-03 2019-09-03 人体关键点提取方法、装置、可读存储介质及设备

Publications (2)

Publication Number Publication Date
CN110532981A CN110532981A (zh) 2019-12-03
CN110532981B true CN110532981B (zh) 2022-03-15

Family

ID=68666702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910828826.XA Active CN110532981B (zh) 2019-09-03 2019-09-03 人体关键点提取方法、装置、可读存储介质及设备

Country Status (1)

Country Link
CN (1) CN110532981B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468924A (zh) * 2020-03-31 2021-10-01 北京沃东天骏信息技术有限公司 关键点检测模型训练方法和装置、关键点检测方法和装置
CN113554034A (zh) * 2020-04-24 2021-10-26 北京达佳互联信息技术有限公司 关键点检测模型构建方法、检测方法、装置、设备及介质
CN111783948A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 模型训练方法、装置、电子设备以及存储介质
CN112380981A (zh) * 2020-11-12 2021-02-19 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
CN112507954B (zh) * 2020-12-21 2024-01-19 深圳市优必选科技股份有限公司 一种人体关键点识别方法、装置、终端设备及存储介质
CN112580652B (zh) * 2020-12-24 2024-04-09 咪咕文化科技有限公司 虚拟装饰方法、装置、电子设备及存储介质
CN112686878A (zh) * 2021-01-05 2021-04-20 北京大学口腔医学院 颞下颌关节cbct图像关键点的定位方法和装置
CN112949382A (zh) * 2021-01-22 2021-06-11 深圳市商汤科技有限公司 摄像头移动的检测方法及设备、电子设备
CN113034580B (zh) * 2021-03-05 2023-01-17 北京字跳网络技术有限公司 图像信息检测方法、装置和电子设备
CN116958584B (zh) * 2023-09-21 2024-01-05 腾讯科技（深圳）有限公司 关键点检测方法、回归模型的训练方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549835A (zh) * 2018-03-08 2018-09-18 深圳市深网视界科技有限公司 人群计数及其模型构建的方法、终端设备及存储介质
CN109711273A (zh) * 2018-12-04 2019-05-03 北京字节跳动网络技术有限公司 图像关键点提取方法、装置、可读存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508681B (zh) * 2018-11-20 2021-11-30 北京京东尚科信息技术有限公司 生成人体关键点检测模型的方法和装置
CN109784149B (zh) * 2018-12-06 2021-08-20 苏州飞搜科技有限公司 一种人体骨骼关键点的检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549835A (zh) * 2018-03-08 2018-09-18 深圳市深网视界科技有限公司 人群计数及其模型构建的方法、终端设备及存储介质
CN109711273A (zh) * 2018-12-04 2019-05-03 北京字节跳动网络技术有限公司 图像关键点提取方法、装置、可读存储介质及电子设备

Also Published As

Publication number Publication date
CN110532981A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110532981B (zh) 人体关键点提取方法、装置、可读存储介质及设备
CN109858445B (zh) 用于生成模型的方法和装置
CN110298413B (zh) 图像特征提取方法、装置、存储介质及电子设备
CN109829432B (zh) 用于生成信息的方法和装置
CN110009059B (zh) 用于生成模型的方法和装置
CN111369427A (zh) 图像处理方法、装置、可读介质和电子设备
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN110225400B (zh) 一种动作捕捉方法、装置、移动终端及存储介质
CN111402122A (zh) 图像的贴图处理方法、装置、可读介质和电子设备
CN113033580A (zh) 图像处理方法、装置、存储介质及电子设备
CN111126159A (zh) 用于实时跟踪行人的方法、装置、电子设备和介质
CN110851032A (zh) 用于目标设备的显示样式调整方法和装置
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN112183388A (zh) 图像处理方法、装置、设备和介质
CN110348369B (zh) 一种视频场景分类方法、装置、移动终端及存储介质
CN112800276A (zh) 视频封面确定方法、装置、介质及设备
CN112200183A (zh) 图像处理的方法、装置、设备和计算机可读介质
CN110189364B (zh) 用于生成信息的方法和装置，以及目标跟踪方法和装置
CN112258622A (zh) 图像处理方法、装置、可读介质及电子设备
CN111027495A (zh) 用于检测人体关键点的方法和装置
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111586295B (zh) 图像生成方法、装置和电子设备
CN115273012A (zh) 虚线车道线识别方法、装置、电子设备和计算机可读介质
CN111968030B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN110209851B (zh) 模型训练方法、装置、电子设备及存储介质

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