CN110852162A - 一种人体完整度数据标注方法、装置及终端设备 - Google Patents

一种人体完整度数据标注方法、装置及终端设备 Download PDF

Info

Publication number
CN110852162A
CN110852162A CN201910952323.3A CN201910952323A CN110852162A CN 110852162 A CN110852162 A CN 110852162A CN 201910952323 A CN201910952323 A CN 201910952323A CN 110852162 A CN110852162 A CN 110852162A
Authority
CN
China
Prior art keywords
human body
body frame
image
determining
key points
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
CN201910952323.3A
Other languages
English (en)
Other versions
CN110852162B (zh
Inventor
吴涛
胡文泽
王孝宇
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201910952323.3A priority Critical patent/CN110852162B/zh
Publication of CN110852162A publication Critical patent/CN110852162A/zh
Priority to US17/623,887 priority patent/US20220319209A1/en
Priority to PCT/CN2020/109071 priority patent/WO2021057316A1/zh
Application granted granted Critical
Publication of CN110852162B publication Critical patent/CN110852162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种人体完整度数据标注方法、装置及终端设备，所述方法包括：获取待标注图像；对待标注图像进行人体检测，得到第一人体边框；对待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；对待标注图像进行人体区域检测，得到人体可见区域标注信息；确定与第一人体边框关联的人体部位信息以及确定与第一人体边框关联的人体可见区域标注信息，完成对第一人体边框的人体完整度数据标注。本申请可以解决现有技术中通过人工标注的方式进行人体完整度数据标注，耗费大量的人力物力，标注时间长，且容易出错，不利于产品的快速迭代的问题。

Description

一种人体完整度数据标注方法、装置及终端设备
技术领域
本申请属于数据处理技术领域，尤其涉及一种人体完整度数据标注方法、装置及终端设备。
背景技术
在智慧安防领域，行人重识别和行人属性识别具有重要意义。然而，在实际应用的过程中，摄像头难以拍摄到完全符合要求的图像。摄像头拍摄到的图像中，可能出现人体截断和人体遮挡的现象，增加了人体识别算法的识别难度。
因此，准确评估图像中人体完整程度成为了人体识别中极为重要的一个环节。现有技术通过训练人体完整度估计模型来评估图像中人体的完整程度，但需要人工进行大量的数据标注，成本高、效率低，且容易出错，不利于产品的快速迭代。
发明内容
有鉴于此，本申请实施例提供了一种人体完整度数据标注方法、装置及终端设备，以解决现有技术中通过人工标注的方式进行人体完整度数据标注，耗费大量的人力物力，标注时间长，且容易出错，不利于产品的快速迭代的问题。
本申请实施例的第一方面提供了一种人体完整度数据标注方法，包括：
获取待标注图像；
对所述待标注图像进行人体检测，得到第一人体边框；
对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
本申请实施例的第二方面提供了一种人体完整度数据标注装置，包括：
图像获取模块，用于获取待标注图像；
边框检测模块，用于对所述待标注图像进行人体检测，得到第一人体边框；
部位检测模块，用于对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
可见区域模块，用于对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
信息关联模块，用于确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得终端设备实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
在本申请的人体完整度数据标注方法中，检测待标注图像中的第一人体边框，检测待标注图像中的人体关键点，并根据人体关键点确定人体部位信息，以及检测待标注图像中的人体可见区域标注信息，然后将人体部位信息和人体可见区域标注信息与对应的第一人体边框进行关联，自动完成对第一人体边框的人体完整度数据标注，数据标注的过程无需人工参与，减少了人力物力的使用，提高了标注速度，有利于产品的快速迭代，解决了现有技术中通过人工标注的方式进行人体完整度数据标注，耗费大量的人力物力，标注时间长，且容易出错，不利于产品的快速迭代的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的人体图像的示意图；
图2是本申请实施例提供的人体完整度数据标注方法的示意图；
图3是本申请实施例提供的人体部位分割线的示意图；
图4是本申请实施例提供的人体完整度数据标注装置的示意图；
图5是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
随着智慧安防领域的发展，行人重识别和行人属性识别具有越来越重要的地位。在进行行人重识别和行人属性识别时，图像中的人体完整度越高，识别效果越好。
然而，在实际应用场景中，摄像头拍摄到的图像往往不是完美的人体图像。如图1所示，摄像头拍摄的图像中，可能出现多人相互遮挡的情况。此外，人体还可能被其他物体遮挡。并且，当行人进入或离开摄像头监控区域时，摄像头拍摄的图像还可能出现人体被截断的情况。人体截断和人体遮挡会增加行人重识别算法和行人属性识别算法的识别难度。
因此，准确评估图像中人体完整程度成为了人体识别过程中极为重要的一个环节。为了识别图像中人体完整程度，需要构建和训练人体完整度估计模型。
在训练人体完整度估计模型的过程中，需要大量的有监督标注数据，有监督标注数据是指标注了人体所在位置以及人体完整度数据的图像。
目前主要通过人工标注的方式获取有监督标注数据。为了保证人体完整度估计模型的准确率，需要大量的有监督标注数据，使用人工标注的方式需要耗费大量的人力物力，并且标注所需的时间长，不利于产品的快速迭代。
为了解决上述问题，本申请实施例提供了一种人体完整度数据标注方法、装置及终端设备，具体参见如下所述。
实施例一：
下面对本申请实施例一提供的一种人体完整度数据标注方法进行描述，请参阅附图2，本申请实施例一中的人体完整度数据标注方法包括：
步骤S201、获取待标注图像；
当需要进行人体完整度数据标注时，首先获取待标注的图像。
其中，待标注图像可以为经过初步筛选的，确认具有人体区域的图像，通过本实施例的人体完整度数据标注方法进行人体完整度数据标注；或者，待标注图像也可以为未经过前期处理的原始图像，无法确定其中是否含有人体区域，通过本实施例的人体完整度数据标注方法进行人体识别和人体完整度数据标注。
对待标注图像进行人体完整度数据标注时，需要确定目标人体所在位置、人体部位信息以及人体可见区域标注信息。因此，本申请实施例中，可以使用多种算法的结合对待标注图像进行人体完整度数据标注。
步骤S202、对所述待标注图像进行人体检测，得到第一人体边框；
获取到待标注的图像之后，使用目标检测算法对待标注图像进行人体检测，得到第一人体边框。
目标检测算法可以对人体遮挡部位进行预估，即在人体有遮挡的情况下能够将遮挡部分也包括到第一人体边框内。
目标检测算法的类型可以根据实际需求进行选择。在一些可能的实现方式中，可以选择Yolo-v3算法作为目标检测算法，通过Yolo-v3算法对待标注图像进行人体检测，得到第一人体边框。
使用目标检测算法检测到第一人体边框后，还可以根据预设外扩规则对所述第一人体边框进行外扩，得到新的第一人体边框，提高使用的灵活度，确保人体的未遮挡部分和遮挡部分均被包括到新的第一人体边框内。例如，使用目标检测算法检测到第一人体边框后，将第一人体边框的位置记为(x，y，w，h)，其中，x为第一人体边框左上角顶点的横坐标，y为第一人体边框左上角顶点的纵坐标，w为第一人体边框的宽度，h为第一人体边框的高度。假设预设外扩规则为第一人体边框横向左右各扩展0.3w个像素距离，纵向上方扩展0.05h个像素距离，下方扩展0.2个像素距离，则新的第一人体边框的位置可记为(x-0.3*w，y-0.05*h，1.6*w，1.25*h)。
步骤S203、对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
在检测人体部位信息时，可以使用姿态估计算法对待标注图像进行人体关键点检测。由于姿态估计算法只能检测到人体未遮挡部位的人体关键点，因此，可以根据检测到的人体关键点确定未遮挡部分的人体部位信息。例如，如果人体的头部被遮挡了，则姿态估计算法无法检测到头部的关键点；反之，姿态估计算法检测到头部的关键点，则表示该关键点周围的区域未被遮挡。
姿态估计算法的类型可以根据实际需求进行选择。在一些可能的实现方式中，可以选择OpenPose算法作为姿态估计算法，通过OpenPose算法对待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息。
OpenPose算法可以检测出人体的17个关键点，分别为：Nose(鼻子)、RightEye(右眼)、LeftEye(左眼)、RightEar(右耳)、LeftEar(左耳)、RightShoulder(右肩关节)、LeftShoulder(左肩关节)、RightBow(右手肘关节)、LeftBow(左手肘关节)、RightWrist(右腕关节)、LeftWrist(左腕关节)、RightHip(右髋关节)、LeftHip(左髋关节)、RightKnee(右膝关节)、LeftKnee(左膝关节)、RightAnkle(右踝关节)、LeftAnkle(左踝关节)。
在一些可能的实现方式中，可以直接使用检测到的人体关键点标注对应的人体部位信息。例如，检测到RightEye关键点，则标注右眼可见。
在另一些可能的实现方式中，人体部位信息的获取方式如下：
A1、对所述待标注图像进行人体关键点检测，得到人体关键点；
首先，使用姿态估计算法检测待标注图像中的人体关键点。
A2、根据所述人体关键点确定人体部位分割线；
检测到人体关键点后，根据人体关键点确定人体部位分割线。例如，在本实施例中，可以设置六条人体部位分割线。
人体部位分割线1为Nose、RightEye、LeftEye、RightEar、LeftEar这五个人体关键点的水平中心线；
人体部位分割线2为RightShoulder关键点和LeftShoulder关键点形成的水平线；
人体部位分割线3为RightBow关键点和LeftBow关键点形成的水平线；
人体部位分割线4为RightHip关键点和LeftHip关键点形成的水平线；
人体部位分割线5为RightKnee关键点和LeftKnee关键点形成的水平线；
人体部位分割线6为RightAnkle关键点和LeftAnkle关键点形成的水平线。
当检测到人体关键点后，可以根据检测到的同一个人体的人体关键点，确定该人体存在哪些人体部位分割线。例如，如果该人体检测到RightBow关键点和LeftBow关键点，则表示存在人体部位分割线3。
A3、根据所述人体部位分割线确定人体部位信息。
人体部位信息可以包括人体可见部位信息、第一人体截断比例和第二人体截断比例。
人体可见部位信息表示人体中什么部位是可见的。第一人体截断比例表示人体上方截断距离占人体总高度的比例。第二人体截断比例表示人体中下方截断距离占人体总高度的比例。
获取到人体部位分割线后，可以根据获取到的人体部位分割线确定人体可见部位信息。以图3为例，如果人体部位分割线1和人体部位分割线2可见，则头部可见；如果人体部位分割线2和人体部位分割线3可见，则胸部可见；如果人体部位分割线3和人体部位分割线4可见，则腹部可见；如果人体部位分割线4和人体部位分割线5可见，则大腿可见；如果人体部位分割线5和人体部位分割线6可见，则小腿可见。
标注人体可见部位信息时，可以设置一个长度为5的布尔向量，自左至右依次表示头部、胸部、腹部、大腿、小腿的可见性。若相应部位可见则置为1，若不可见则置为0。
当计算第一人体截断比例和第二人体截断比例时，我们首先需要求解人体中各部位的比例。
在实际试验的过程中，选取了20张站立的完整人体图像，通过检测这20张图像中行人的关键点，分别求取五个人体部位占完整人体的比例。
对于单个人体而言，计算规则如下：
首先，计算出相邻人体部位分割线之间的像素距离，可以表示为(ny1，ny2，ny3，ny4，ny5)。nyi表示人体部位分割线i与人体部位分割线i+1之间的像素距离，i＝1，2，3，4，5。
然后进行归一化处理，计算各个人体部位在整个人体中所占的比例：
Figure BDA0002221770510000071
其中，ry1表示头部在整个人体中所占的比例；ry2表示胸部在整个人体中所占的比例；ry3表示腹部在整个人体中所占的比例；ry4表示大腿在整个人体中所占的比例；ry5表示小腿在整个人体中所占的比例。
之后求20个行人的各个人体部位在整个人体中所占比例的平均值，得到划分人体部位的比例。经统计，人体五个部位的比例为，头部:胸部:腹部:大腿:小腿＝0.18:0.14:0.17:0.24:0.20，另人体分割线1上方比例和分割线6下方所占比例分别约为0.06。
在一些可能的实现方式中，可以直接根据检测到人体的最上方的人体部位分割线和最下方的人体部位分割线确定第一人体截断比例和第二人体截断比例。例如：最上方的人体部位分割线为线2，则表示头部被截断，头部占整个人体的13.7％，则第一人体截断比例为13.7％；最下方的人体部位分割线为线4，则表示大腿和小腿被截断，大腿和小腿占整个人体的50.7％，则第二人体截断比例为50.7％。
在另一些可能的实现方式中，可以通过其他方式计算人体上方截断距离和人体下方截断距离，然后根据人体上方截断距离和人体下放截断距离计算第一人体截断比例和第二人体截断比例。具体如下：
在图像中人体有截断的情况下，并非是六条人体部位分割线都存在。因此，在实际应用中，需要通过某一个部位预估人体总高度或未知部位的像素长度。例如，得知头部的像素长度为T，则可以根据T/ry1计算得到人体总高度；或者，大腿部位的像素长度D未知，可以根据T/D＝1/1.7计算大腿的像素长度。
由于人体不同的部位运动幅度的范围不同(例如腕关节相对于肩关节运动范围远大于胸部相对于腹部的运动范围)，因此，可以根据不同人体部位在竖直方向变化的幅度制定相应的计算人体总高度的策略。通常而言，由运动的带来的变化幅度越小的人体部位的优先级越高。
在一些可能的实现方式，计算人体总高度的策略如下：
B1、若人体部位分割线1和人体部位分割线4存在，则：
Figure BDA0002221770510000081
否则执行B2。
B2、若人体部位分割线4和人体部位分割线4存在，则：
Figure BDA0002221770510000082
否则执行B3。
B3、若人体部位分割线5和人体部位分割线6存在，则：
否则执行B4。
B4、若人体部位分割线2和人体部位分割线3存在，则：
否则执行B5。
B5、若人体部位分割线3和人体部位分割线4存在，则：
Figure BDA0002221770510000085
否则执行B6。
B6、若人体部位分割线1和人体部位分割线2存在，则：
Figure BDA0002221770510000086
否则H＝0，作为标志表示预估人体高度失效。
其中，H表示人体总高度。
计算人体上方截断距离时：
C1、若人体部位分割线1存在，则：
d＝H*0.06
否则执行C2。
C2、若人体部位分割线2存在，则：
d＝H*0.18
否则执行C3。
C3、若人体部位分割线4存在，则：
d＝H*0.49
否则执行C4。
C4、若人体部位分割线3存在，则：
d＝H*0.32
否则d为0。
其中，d为第一中间参数。直接获取或根据已知人体部位分割线计算人体部位分割线1的纵坐标Y。
人体上方截断距离为Ptop：
Ptop＝max(0,d-Y)
max为取最大值符号。
计算人体下方截断距离时：
D1、若人体部位分割线6存在，则：
k＝H*0.06
否则执行D2。
D2、若人体部位分割线5存在，则：
k＝H*0.26
否则执行D3。
D3、若人体部位分割线4存在，则：
k＝H*0.5
否则执行D4。
D4、若人体部位分割线2存在，则：
k＝H*0.81
否则执行D5。
D5、若人体部位分割线3存在，则：
k＝H*0.67
否则k为0。
人体下方截断距离Pbtm：
Pbtm＝max(0,d+Y-height)
其中，k为第二中间参数，height为图像高度。
计算了人体上方截断距离和人体下方截断距离之后，可以计算第一人体截断比例和第二人体截断比例：
Rtop＝Ptop/(Ptop+Pbtm+height)
Rbtm＝Pbtm/(Ptop+Pbtm+height)
其中，Rtop为第一人体截断比例，Rbtm为第二人体截断比例。
在本实施例中，根据人体关键点确定人体部位分割线，根据人体部位分割线确定人体部位信息，标注人体部位信息时无需标注所有的关键点是否可见，可以缩短人体部位信息的标注长度，降低确定人体部位信息的难度，提高标注效率，且降低人体完整度估计模型的训练难度。
步骤S204、对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
使用实例分割算法可以对待标注图像进行人体区域检测，得到人体可见区域标注信息。
实例分割算法的类型可以根据实际需求进行选择。在一些可能的实现方式中，可以选择Mask-RCNN算法作为实例分割算法，通过Mask-RCNN算法对待标注图像进行人体区域检测，得到人体可见区域标注信息。
在应用实例分割算法的过程中，对人体标记的精细度要求较低，为了降低后续应用中的计算量，可以根据预设划分方式将图像分成多个图像块。对于每个图像块，若该图像块中被实例分割算法标记为1的像素个数超过预设数量，则将该图像块标记为可见。降低实例分割算法的标记粒度，降低后续应用的计算量。
预设划分方式可以根据实际情况进行设置。例如，预设划分方式可以为图像纵向16等分，横向8等分，则可以根据预设划分方式将图像划分为分辨率为16*8的图像块矩阵。
预设数量可以根据实际情况进行设置。例如，可以将预设数量设置为图像块内像素总数的30％。
步骤S205、确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
得到第一人体边框、人体部位信息和人体可见区域信息后，由于图像中可能存在多个行人，因此，需要确定第一人体边框对应的人体部位信息以及确定第一人体边框的人体可见区域标注信息，建立第一人体边框与人体部位信息和人体可见区域标注信息关联关系，完成对第一人体边框的人体完整度数据标注。
在一些可能的实现方式中，所述确定与所述第一人体边框关联的人体部位信息包括：
E1、获取所述人体部位信息对应的第二人体边框；
获取到人体关键点时，可以根据人体关键点求得人体部位信息对应的第二人体边框。
例如，在一些可能的实现方式中，当检测到某个人体的人体关键点后，可以创建一个可以包围该人体的所有人体关键点的最小人体边框，将该最小人体边框确定为第二人体边框；或者，根据用户设定的参数，将该最小人体边框外扩一定尺寸，得到第二人体边框。
E2、根据所述第一人体边框中各个所述第二人体边框的位置信息以及所述第一人体边框与各个所述第二人体边框的交并比，确定与所述第一人体边框关联的人体部位信息。
第一人体边框可能与多个第二人体边框相交，此时，可以根据第一人体边框中各个第二人体边框的位置信息以及第一人体边框与各个第二人体边框的交并比，确定与第一人体边框关联的第二人体边框，进而确定与所述第一人体边框关联的人体部位信息。
在一些可能的实现方式中，所述确定与所述第一人体边框关联的人体可见区域标注信息包括：
F1、获取所述人体可见区域标注信息对应的第三人体边框；
获取到人体可见区域标注信息后，可以根据人体可见区域标注信息求得对应的第三人体边框。
F2、根据所述第一人体边框中各个所述第三人体边框的位置信息以及所述第一人体边框与各个所述第三人体边框的交并比，确定与所述第一人体边框关联的人体可见区域标注信息。
第一人体边框可能与多个第三人体边框相交，此时，可以根据第一人体边框中各个第三人体边框的位置信息以及第一人体边框与各个第三人体边框的交并比，确定与第一人体边框关联的第三人体边框，进而确定与所述第一人体边框关联的人体可见区域标注信息。
本实施例根据第二人体边框的位置信息以及第二人体边框与第一人体边框的交并比确定与第一人体边框关联的人体部位信息，根据第三人体边框的位置信息以及第三人体边框与第一人体边框的交并比确定与第一人体边框关联的人体可见区域标注信息，可以提高匹配的精确度，为第一人体边框匹配正确的人体部位信息和人体可见区域标注信息，尽可能避免匹配错误的情况发生。
以下结合实际应用场景对上述匹配过程进行说明：
记第一人体边框为Bbox。第一人体边框中可能存在多个人体，即可能存在多个第二人体边框和第三人体边框与第一人体边框Bbox相交。
建立与第一人体边框相交的第二人体边框和第三人体边框的索引号，例如，第二人体边框的索引号可以为2001、2002、2003等；第三人体边框的索引号可以表示为3001、3002、3003等。
交并比IOU表示第二人体边框或第三人体边框与第一人体边框的相交部分占第一人体边框的比例。交并比索引Iiou表示交并比最大的第二人体边框或第三人体边框的索引号。
水平索引Ix表示沿水平方向距离第一人体边框的中垂线的距离最小的第二人体边框或第三人体边框的索引号。
垂直索引Iy表示沿垂直方向，距离所述第一人体边框顶部的距离最小的第二人体边框或第三人体边框的索引号。
人体比例高度Ratio表示第二人体边框或第三人体边框中人体部位分割线1距离图像顶端位置的距离占人体整体长度的比值。
匹配的规则如下：
G1、若Ix＝Iy＝Iiou且max(IOU)大于0.7且Ix对应的Ratio小于0.2，则Ioptimal＝Ix，否则执行G2；
G2、若Ix＝Iy＝Iiou且Ix对应的Ratio小于0.2，则Ioptimal＝Ix，否则执行G3；
G3、若Ix＝Iiou，则Ioptimal＝Iiou，否则执行G4；
G4、若Iy对应的Ratio小于0.2，则Ioptimal＝Iy，否则执行G5；
G5、若Iy＝Iiou，则Ioptimal＝Iiou，否则执行G6；
G6、Ioptimal＝Iiou。
其中，Ioptimal表示与第一人体边框关联的第二人体边框或第三人体边框的索引号。
第二人体边框以及第三人体边框与第一人体边框匹配的过程一致，第二人体边框与第一人体边框的匹配过程与第三人体边框与第一人体边框的匹配过程相互独立，不互相影响。
以第二人体边框与第一人体边框匹配的过程为例，假设第一人体边框与三个第二人体边框相交，这三个第二人体边框的索引号分别设置为2001、2002、2003。
其中，索引号为2002的第二人体边框与第一人体边框的交并比最大，所以，Iiou＝2002。
索引号为2002的第二人体边框沿水平方向距离第一人体边框的中垂线的距离最小，所以，Ix＝2002。
索引号为2003的第二人体边框沿垂直方向，距离所述第一人体边框顶部的距离最小，所以，Iy＝2003。
此时，Ix＝Iiou≠Iy，不符合条件G1和条件G2，执行G3，即Ioptimal＝Iiou＝2002，表示索引号为2002的第二人体边框与该第一人体边框匹配，该第一人体边框与索引号为2002的第二人体边框对应的人体部位信息相关联。
可以理解的是，上述匹配规则和匹配过程仅为实际应用场景中的示意性举例。在实际应用场景中，可以对上述匹配规则和匹配过程进行适当的调整，例如可以增加或删减部分匹配规则，上述举例不应对本申请实施例的实施方式构成任何限定
本实施例一提供的人体完整度数据标注方法中，结合目标检测算法、姿态估计算法和实例分割算法实现人体完整度数据的自动标注。目标检测检测算法可以检测图像中人体所在的位置，得到第一人体边框，但是无法检测出第一人体边框中哪些区域为人体可见区域以及该人体可见区域对应的人体部位信息。姿态估计算法可以检测出人体部位信息，但是无法检测出人体可见区域标注信息，无法提供足够的遮挡信息。实例分割算法可以检测出人体可见区域标注信息，但是无法检测出人体可见区域标注信息对应的人体部位信息。本实施例中将目标检测算法、姿态估计算法和实例分割算法有机结合，确定人体所在的第一人体边框，以及该第一人体边框对应的人体部位信息和人体可见区域标注信息，自动完成对第一人体边框的人体完整度数据标注，标注的过程无需人工参与，减少了人力物力的使用，提高了标注速度，有利于产品的快速迭代，解决了现有技术中通过人工标注的方式进行人体完整度数据标注，耗费大量的人力物力，标注时间长，且容易出错，不利于产品的快速迭代的问题。
在确定人体部位信息时，可以根据检测到人体关键点确定人体部位分割线，根据人体部位分割线确定人体部位信息，标注人体部位信息时无需标注所有的关键点是否可见，可以缩短人体部位信息的标注长度，降低确定人体部位信息的难度，提高标注效率，且降低人体完整度估计模型的训练难度。
确定与第一人体边框对应的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息时，可以根据第二人体边框和第三人体边框的位置信息，以及第二人体边框和第三人体边框与第一人体边框的交并比进行确定。通过第二人体边框和第三人体边框的位置以及对应的交并比进行匹配，可以提高匹配的精确度，为第一人体边框匹配正确的人体部位信息和人体可见区域标注信息，尽可能避免匹配错误的情况发生。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
本申请实施例二提供了一种人体完整度数据标注装置，为便于说明，仅示出与本申请相关的部分，如图3所示，人体完整度数据标注装置包括，
图像获取模块401，用于获取待标注图像；
边框检测模块402，用于对所述待标注图像进行人体检测，得到第一人体边框；
部位检测模块403，用于对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
可见区域模块404，用于对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
信息关联模块405，用于确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
在一些可能的实现方式中，所述部位检测模块403包括：
关键点子模块，用于对所述待标注图像进行人体关键点检测，得到人体关键点；
分割线子模块，用于根据所述人体关键点确定人体部位分割线；
部位信息子模块，用于根据所述人体部位分割线确定人体部位信息。
在一些可能的实现方式中，所述人体部位信息包括：人体可见部位信息、第一人体截断比例和第二人体截断比例。
在一些可能的实现方式中，所述信息关联模块405包括：
第二边框子模块，用于获取所述人体部位信息对应的第二人体边框；
部位匹配子模块，用于根据所述第一人体边框中各个所述第二人体边框的位置信息以及所述第一人体边框与各个所述第二人体边框的交并比，确定与所述第一人体边框关联的人体部位信息。
在一些可能的实现方式中，所述信息关联模块405包括：
第三边框子模块，用于获取所述人体可见区域标注信息对应的第三人体边框；
区域匹配子模块，用于根据所述第一人体边框中各个所述第三人体边框的位置信息以及所述第一人体边框与各个所述第三人体边框的交并比，确定与所述第一人体边框关联的人体可见区域标注信息。
在一些可能的实现方式中，所述边框检测模块402，具体用于通过目标检测算法对所述待标注图像进行人体检测，得到第一人体边框。
在一些可能的实现方式中，所述部位检测模块403，具体用于通过姿态估计算法对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
所述可见区域模块404，具体用于通过实例分割算法对所述待标注图像进行人体区域检测，得到人体可见区域标注信息。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图5是本申请实施例三提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述人体完整度数据标注方法实施例中的步骤，例如图1所示的步骤S201至S205。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块401至405的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成图像获取模块、边框检测模块、部位检测模块、可见区域模块以及信息关联模块，各模块具体功能如下：
图像获取模块，用于获取待标注图像；
边框检测模块，用于对所述待标注图像进行人体检测，得到第一人体边框；
部位检测模块，用于对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
可见区域模块，用于对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
信息关联模块，用于确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人体完整度数据标注方法，其特征在于，包括：
获取待标注图像；
对所述待标注图像进行人体检测，得到第一人体边框；
对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
2.如权利要求1所述的人体完整度数据标注方法，其特征在于，所述对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息包括：
对所述待标注图像进行人体关键点检测，得到人体关键点；
根据所述人体关键点确定人体部位分割线；
根据所述人体部位分割线确定人体部位信息。
3.如权利要求1所述的人体完整度数据标注方法，其特征在于，所述确定与所述第一人体边框关联的人体部位信息包括：
获取所述人体部位信息对应的第二人体边框；
根据所述第一人体边框中各个所述第二人体边框的位置信息以及所述第一人体边框与各个所述第二人体边框的交并比，确定与所述第一人体边框关联的人体部位信息。
4.如权利要求1所述的人体完整度数据标注方法，其特征在于，所述确定与所述第一人体边框关联的人体可见区域标注信息包括：
获取所述人体可见区域标注信息对应的第三人体边框；
根据所述第一人体边框中各个所述第三人体边框的位置信息以及所述第一人体边框与各个所述第三人体边框的交并比，确定与所述第一人体边框关联的人体可见区域标注信息。
5.如权利要求1至4任一项所述的人体完整度数据标注方法，其特征在于，所述对所述待标注图像进行人体检测，得到第一人体边框包括：
通过目标检测算法对所述待标注图像进行人体检测，得到第一人体边框。
6.如权利要求1至4任一项所述的人体完整度数据标注方法，其特征在于，所述对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息包括：
通过姿态估计算法对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
所述对所述待标注图像进行人体区域检测，得到人体可见区域标注信息包括：
通过实例分割算法对所述待标注图像进行人体区域检测，得到人体可见区域标注信息。
7.一种人体完整度数据标注装置，其特征在于，包括：
图像获取模块，用于获取待标注图像；
边框检测模块，用于对所述待标注图像进行人体检测，得到第一人体边框；
部位检测模块，用于对所述待标注图像进行人体关键点检测，根据检测到的人体关键点确定人体部位信息；
可见区域模块，用于对所述待标注图像进行人体区域检测，得到人体可见区域标注信息；
信息关联模块，用于确定与所述第一人体边框关联的人体部位信息以及确定与所述第一人体边框关联的人体可见区域标注信息，完成对所述第一人体边框的人体完整度数据标注。
8.如权利要求7所述的人体完整度数据标注装置，其特征在于，所述部位检测模块包括：
关键点子模块，用于对所述待标注图像进行人体关键点检测，得到人体关键点；
分割线子模块，用于根据所述人体关键点确定人体部位分割线；
部位信息子模块，用于根据所述人体部位分割线确定人体部位信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN201910952323.3A 2019-09-29 2019-09-29 一种人体完整度数据标注方法、装置及终端设备 Active CN110852162B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910952323.3A CN110852162B (zh) 2019-09-29 2019-09-29 一种人体完整度数据标注方法、装置及终端设备
US17/623,887 US20220319209A1 (en) 2019-09-29 2020-08-14 Method and apparatus for labeling human body completeness data, and terminal device
PCT/CN2020/109071 WO2021057316A1 (zh) 2019-09-29 2020-08-14 一种人体完整度数据标注方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952323.3A CN110852162B (zh) 2019-09-29 2019-09-29 一种人体完整度数据标注方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN110852162A true CN110852162A (zh) 2020-02-28
CN110852162B CN110852162B (zh) 2020-10-23

Family

ID=69597521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952323.3A Active CN110852162B (zh) 2019-09-29 2019-09-29 一种人体完整度数据标注方法、装置及终端设备

Country Status (3)

Country Link
US (1) US20220319209A1 (zh)
CN (1) CN110852162B (zh)
WO (1) WO2021057316A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402360A (zh) * 2020-03-13 2020-07-10 北京奇艺世纪科技有限公司 生成人体模型的方法、装置、计算机设备和存储介质
CN111915567A (zh) * 2020-07-06 2020-11-10 浙江大华技术股份有限公司 一种图像质量评估方法、装置、设备及介质
CN111950618A (zh) * 2020-08-05 2020-11-17 中国建设银行股份有限公司 水域图像数据标注方法、装置、设备和存储介质
WO2021057316A1 (zh) * 2019-09-29 2021-04-01 深圳云天励飞技术股份有限公司 一种人体完整度数据标注方法、装置及终端设备
CN114902299A (zh) * 2020-12-31 2022-08-12 商汤国际私人有限公司 图像中关联对象的检测方法、装置、设备和存储介质
CN117746502A (zh) * 2023-12-20 2024-03-22 北京百度网讯科技有限公司 图像标注方法、动作识别方法、装置和电子设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12067680B2 (en) * 2022-08-02 2024-08-20 Adobe Inc. Systems and methods for mesh generation
CN117671297B (zh) * 2024-02-02 2024-06-18 华东交通大学 一种融合交互属性的行人重识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253611A1 (en) * 2007-04-11 2008-10-16 Levi Kennedy Analyst cueing in guided data extraction
CN102074019A (zh) * 2010-12-28 2011-05-25 深圳泰山在线科技有限公司 一种人体跟踪方法及系统
CN102609683A (zh) * 2012-01-13 2012-07-25 北京邮电大学 一种基于单目视频的人体关节自动标注方法
CN106126579A (zh) * 2016-06-17 2016-11-16 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
CN107260179A (zh) * 2017-06-08 2017-10-20 朱翔 基于惯性和体感传感器数据质量评价的人体运动跟踪方法
CN107766791A (zh) * 2017-09-06 2018-03-06 北京大学 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置
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
CN109002783A (zh) * 2018-07-02 2018-12-14 北京工业大学 救援环境中的人体检测以及姿态识别方法
CN109766868A (zh) * 2019-01-23 2019-05-17 哈尔滨工业大学 一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法
CN110059522A (zh) * 2018-01-19 2019-07-26 北京市商汤科技开发有限公司 人体轮廓关键点检测方法、图像处理方法、装置及设备
CN110163046A (zh) * 2018-06-19 2019-08-23 腾讯科技（深圳）有限公司 人体姿态识别方法、装置、服务器及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027620B2 (en) * 2001-06-07 2006-04-11 Sony Corporation Method of recognizing partially occluded and/or imprecisely localized faces
US9165199B2 (en) * 2007-12-21 2015-10-20 Honda Motor Co., Ltd. Controlled human pose estimation from depth image streams
US9457256B2 (en) * 2010-11-05 2016-10-04 Nike, Inc. Method and system for automated personal training that includes training programs
CN106251338B (zh) * 2016-07-20 2019-04-30 北京旷视科技有限公司 目标完整性检测方法及装置
GB201706857D0 (en) * 2017-04-28 2017-06-14 Select Res Ltd Health risk prediction tools
US20190130189A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Suppressing duplicated bounding boxes from object detection in a video analytics system
CN111133438A (zh) * 2017-12-27 2020-05-08 英特尔公司 使用统计相关性模型的关键点引导的人类属性识别
US10321728B1 (en) * 2018-04-20 2019-06-18 Bodygram, Inc. Systems and methods for full body measurements extraction
CN109345504A (zh) * 2018-08-07 2019-02-15 浙江大学 一种使用边界框约束的自底向上的多人姿态估计方法
CN109598201B (zh) * 2018-11-05 2020-07-10 北京三快在线科技有限公司 动作检测方法、装置、电子设备及可读存储介质
CN109670474B (zh) * 2018-12-28 2023-07-25 广东工业大学 一种基于视频的人体姿态估计方法、装置及设备
US11179064B2 (en) * 2018-12-30 2021-11-23 Altum View Systems Inc. Method and system for privacy-preserving fall detection
CN109977791A (zh) * 2019-03-04 2019-07-05 山东海博科技信息系统股份有限公司 一种手部生理信息检测方法
CN110852162B (zh) * 2019-09-29 2020-10-23 深圳云天励飞技术有限公司 一种人体完整度数据标注方法、装置及终端设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253611A1 (en) * 2007-04-11 2008-10-16 Levi Kennedy Analyst cueing in guided data extraction
CN102074019A (zh) * 2010-12-28 2011-05-25 深圳泰山在线科技有限公司 一种人体跟踪方法及系统
CN102609683A (zh) * 2012-01-13 2012-07-25 北京邮电大学 一种基于单目视频的人体关节自动标注方法
CN106126579A (zh) * 2016-06-17 2016-11-16 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
CN107260179A (zh) * 2017-06-08 2017-10-20 朱翔 基于惯性和体感传感器数据质量评价的人体运动跟踪方法
CN107766791A (zh) * 2017-09-06 2018-03-06 北京大学 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置
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
CN110059522A (zh) * 2018-01-19 2019-07-26 北京市商汤科技开发有限公司 人体轮廓关键点检测方法、图像处理方法、装置及设备
CN110163046A (zh) * 2018-06-19 2019-08-23 腾讯科技（深圳）有限公司 人体姿态识别方法、装置、服务器及存储介质
CN109002783A (zh) * 2018-07-02 2018-12-14 北京工业大学 救援环境中的人体检测以及姿态识别方法
CN109766868A (zh) * 2019-01-23 2019-05-17 哈尔滨工业大学 一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021057316A1 (zh) * 2019-09-29 2021-04-01 深圳云天励飞技术股份有限公司 一种人体完整度数据标注方法、装置及终端设备
CN111402360A (zh) * 2020-03-13 2020-07-10 北京奇艺世纪科技有限公司 生成人体模型的方法、装置、计算机设备和存储介质
CN111915567A (zh) * 2020-07-06 2020-11-10 浙江大华技术股份有限公司 一种图像质量评估方法、装置、设备及介质
CN111950618A (zh) * 2020-08-05 2020-11-17 中国建设银行股份有限公司 水域图像数据标注方法、装置、设备和存储介质
CN114902299A (zh) * 2020-12-31 2022-08-12 商汤国际私人有限公司 图像中关联对象的检测方法、装置、设备和存储介质
CN117746502A (zh) * 2023-12-20 2024-03-22 北京百度网讯科技有限公司 图像标注方法、动作识别方法、装置和电子设备

Also Published As

Publication number Publication date
US20220319209A1 (en) 2022-10-06
CN110852162B (zh) 2020-10-23
WO2021057316A1 (zh) 2021-04-01

Similar Documents

Publication Publication Date Title
CN110852162B (zh) 一种人体完整度数据标注方法、装置及终端设备
CN110427905B (zh) 行人跟踪方法、装置以及终端
CN107103613B (zh) 一种三维手势姿态估计方法
CN110909611A (zh) 一种关注区域检测方法、装置、可读存储介质及终端设备
WO2020125057A1 (zh) 牲畜个数的识别方法及装置
CN110197146A (zh) 基于深度学习的人脸图像分析方法、电子装置及存储介质
WO2021174941A1 (zh) 人体属性识别方法、系统、计算机设备及存储介质
CN109348731A (zh) 一种图像匹配的方法及装置
CN113160257A (zh) 图像数据标注方法、装置、电子设备及存储介质
CN106446862A (zh) 一种人脸检测方法及系统
CN111191582B (zh) 三维目标检测方法、检测装置、终端设备及计算机可读存储介质
CN112633084B (zh) 人脸框确定方法、装置、终端设备及存储介质
WO2014036813A1 (zh) 图像特征的提取方法及装置
CN113392681A (zh) 人体跌倒检测方法、装置及终端设备
CN116168351B (zh) 电力设备巡检方法及装置
WO2022042352A1 (zh) 图像识别方法、电子设备及可读存储介质
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN111429424A (zh) 一种基于深度学习的加热炉入口异常识别方法
CN112364807A (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
CN113688793A (zh) 人脸模型的训练方法及人脸识别系统
CN109166172B (zh) 服装模型的构建方法、装置、服务器和存储介质
CN114359172A (zh) 一种库存或陈列场景下的条烟多面检测识别方法及系统
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN110717384A (zh) 一种视频交互式行为识别方法及装置
CN116188573A (zh) 物体姿态识别方法、装置、计算机设备、存储介质和产品

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