CN111310616B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111310616B CN111310616B CN202010078672.XA CN202010078672A CN111310616B CN 111310616 B CN111310616 B CN 111310616B CN 202010078672 A CN202010078672 A CN 202010078672A CN 111310616 B CN111310616 B CN 111310616B
- Authority
- CN
- China
- Prior art keywords
- region
- feature map
- sample
- determining
- target
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V40/107—Static hand or arm
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/12—Bounding box
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行特征提取,得到所述待处理图像的第一特征图;对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息。本公开实施例可实现快速准确的目标关键点检测。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在计算机视觉、目标识别等领域,通常需要对图像中的目标(例如人脸)进行检测。在相关技术中,基于锚点(anchor)的目标检测方式需要保持结构上的特定设计,限制了检测算法速度的提升;而采用轻量级的模型结构能够达到很快的推理速度,但对复杂场景的检测准确率较低,无法满足要求。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
对待处理图像进行特征提取,得到所述待处理图像的第一特征图;对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述方法还包括:对所述待处理图像中各目标的所述目标关键点信息分别进行边框回归,确定所述各目标的第二区域;根据所述各目标的第二区域,确定所述待处理图像的目标识别结果。
在一种可能的实现方式中,对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域,包括:对所述第一特征图进行中心点特征提取,得到第二特征图;从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
在一种可能的实现方式中,根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息,包括:对所述第一特征图进行关键点特征提取,得到第三特征图;从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点;根据所述第三特征图中所述多个关键点的位置,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点,包括:对所述特征区域的各个通道分别进行关键点检测,得到与所述各个通道对应的关键点。
在一种可能的实现方式中,根据各目标的第二区域,确定所述待处理图像的目标识别结果,包括:确定与所述第二区域对应的所述第一区域的第一置信度得分,以及所述第二区域的全部或部分目标关键点信息的第二置信度得分;根据所述第一置信度得分及所述第二置信度得分,确定所述第二区域的第三置信度得分;根据各个第二区域的第三置信度得分,确定待处理图像的目标识别结果,所述目标识别结果包括第三置信度得分大于或等于第二阈值的所述第二区域。
在一种可能的实现方式中,所述方法通过神经网络实现,所述方法还包括:根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像、所述多个样本图像中的标注区域信息,及所述多个样本图像中的标注关键点信息。
在一种可能的实现方式中,所述神经网络包括特征提取网络、区域预测网络及关键点检测网络,所述根据预设的训练集,训练所述神经网络,包括:
通过所述特征提取网络对样本图像进行处理,确定第一样本特征图;通过所述区域预测网络对所述第一样本特征图进行处理,确定第二样本特征图及所述第二样本特征图中的至少一个样本区域;通过所述关键点检测网络对所述第一样本特征图进行处理,确定第三样本特征图,所述第三样本特征图的宽度及高度与所述第二样本特征图宽度及高度相同;根据所述至少一个样本区域,确定所述第三样本特征图的样本区域中的样本关键点信息;根据所述样本图像的标注区域信息,确定所述样本图像的第一标注特征图,所述第一标注特征图的尺度与所述第二样本特征图的尺度相同,所述第一标注特征图的通道编号表示所述标注区域信息的尺度;根据所述第一标注特征图和所述第二样本特征图之间的差异,确定所述样本图像针对所述区域预测网络的第一损失;根据所述标注关键点信息与所述样本关键点信息之间的差异,确定所述样本图像针对所述关键点检测网络的第二损失;根据所述多个样本图像的第一损失和第二损失,训练所述神经网络。
在一种可能的实现方式中,所述待处理图像中的目标包括人脸、人体及人手中的任意一种。
根据本公开的一方面,提供了一种图像处理装置,包括:特征提取模块,用于对待处理图像进行特征提取,得到所述待处理图像的第一特征图;区域预测模块,用于对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;关键点检测模块,用于根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述装置还包括:边框回归模块,用于对所述待处理图像中各目标的所述目标关键点信息分别进行边框回归,确定所述各目标的第二区域;结果确定模块,用于根据所述各目标的第二区域,确定所述待处理图像的目标识别结果。
在一种可能的实现方式中,所述区域预测模块包括:中心点特征提取子模块,用于对所述第一特征图进行中心点特征提取,得到第二特征图;中心点确定子模块,用于从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;尺度确定子模块,用于根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;区域确定子模块,用于根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
在一种可能的实现方式中,所述关键点检测模块包括:关键点特征提取子模块,用于对所述第一特征图进行关键点特征提取,得到第三特征图;关键点确定子模块,用于从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点;关键点信息确定子模块,用于根据所述第三特征图中所述多个关键点的位置,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述关键点确定子模块用于:对所述特征区域的各个通道分别进行关键点检测,得到与所述各个通道对应的关键点。
在一种可能的实现方式中,所述结果确定模块包括:第一得分确定子模块,用于确定与所述第二区域对应的所述第一区域的第一置信度得分,以及所述第二区域的全部或部分目标关键点信息的第二置信度得分;第二得分确定子模块,用于根据所述第一置信度得分及所述第二置信度得分,确定所述第二区域的第三置信度得分;结果确定子模块,用于根据各个第二区域的第三置信度得分,确定待处理图像的目标识别结果,所述目标识别结果包括第三置信度得分大于或等于第二阈值的所述第二区域。
在一种可能的实现方式中,所述装置通过神经网络实现,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像、所述多个样本图像中的标注区域信息,及所述多个样本图像中的标注关键点信息。
在一种可能的实现方式中,所述神经网络包括特征提取网络、区域预测网络及关键点检测网络,所述训练模块用于:
通过所述特征提取网络对样本图像进行处理,确定第一样本特征图;通过所述区域预测网络对所述第一样本特征图进行处理,确定第二样本特征图及所述第二样本特征图中的至少一个样本区域;通过所述关键点检测网络对所述第一样本特征图进行处理,确定第三样本特征图,所述第三样本特征图的宽度及高度与所述第二样本特征图宽度及高度相同;根据所述至少一个样本区域,确定所述第三样本特征图的样本区域中的样本关键点信息;根据所述样本图像的标注区域信息,确定所述样本图像的第一标注特征图,所述第一标注特征图的尺度与所述第二样本特征图的尺度相同,所述第一标注特征图的通道编号表示所述标注区域信息的尺度;根据所述第一标注特征图和所述第二样本特征图之间的差异,确定所述样本图像针对所述区域预测网络的第一损失;根据所述标注关键点信息与所述样本关键点信息之间的差异,确定所述样本图像针对所述关键点检测网络的第二损失;根据所述多个样本图像的第一损失和第二损失,训练所述神经网络。
在一种可能的实现方式中,所述待处理图像中的目标包括人脸、人体及人手中的任意一种。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,能够获取待处理图像的特征图;预测特征图中目标所在的区域;进而在目标所在的区域中检测关键点,确定图像的目标关键点信息,从而提高检测速度和检测效果,实现快速准确的目标关键点检测。
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示出了根据本公开实施例的图像处理方法的流程图。
图2示出了根据本公开实施例的特征提取网络的示意图。
图3示出了根据本公开实施例的图像处理过程的示意图。
图4示出了根据本公开实施例的图像处理装置的框图。
图5示出了根据本公开实施例的一种电子设备的框图。
图6示出了根据本公开实施例的一种电子设备的框图。
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。
图1示出了根据本公开实施例的图像处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,对待处理图像进行特征提取,得到所述待处理图像的第一特征图;
在步骤S12中,对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;
在步骤S13中,根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述图像处理方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
举例来说,在人脸解锁、安防监控及门禁闸机等应用场景中,可能需要对待处理图像中的目标进行检测。待处理图像可以是图像采集设备(例如摄像头)等采集的图像,待处理图像中可能存在待识别的目标,该目标可例如包括人脸、人体及人手中的任意一种。本公开对应用场景的类型、待处理图像的获取方式以及目标的类型均不作限制。
在一种可能的实现方式中,可在步骤S11中通过轻量级的检测器对待处理图像进行特征提取,得到待处理图像的第一特征图,从而降低图像的尺度。该检测器可例如为卷积神经网络,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S12中对第一特征图进行目标区域预测,预测得到第一特征图可能存在目标的区域位置以及该区域的尺度,给出尺度区域建议框,也即目标所在的第一区域。
在一种可能的实现方式中,在得到第一区域后,可在步骤S13中根据第一区域,对第一特征图进行关键点检测,检测得到各个第一区域中的目标关键点的位置,例如在目标为人脸时,得到人脸的眼睛、鼻子、嘴巴等关键点的位置,从而确定出待处理图像的目标关键点信息。
根据本公开的实施例,能够获取图像的特征图,预测特征图中目标所在的区域,给出区域建议框;进而在区域建议框中检测关键点,确定出图像的目标关键点信息,从而提高检测速度和检测效果,实现快速准确的目标关键点检测。
在一种可能的实现方式中,可通过轻量级的检测器(可称为特征提取网络)对待处理图像进行特征提取。该特征提取网络可为卷积神经网络(简称ConvNet)。
图2示出了根据本公开实施例的特征提取网络的示意图。如图2所示,该特征提取网络包括多个卷积层、池化层、上采样层、全连接层等。可对图像(也即待处理图像)进行卷积(conv)操作(卷积核尺寸为3×3,通道数为64,采样倍数为1/2(也即下采样倍数为2倍))得到第一操作结果(未示出);第一操作结果经过池化(Pool)操作(尺寸为2×2,采样倍数为1/2)、多次卷积操作(卷积核尺寸为3×3,通道数为64)及特征融合(也即叠加),得到第二操作结果(未示出);第二操作结果经过多次卷积操作(卷积核尺寸为3×3,通道数为128,采样倍数为1/2或1)及特征融合,得到第三操作结果(未示出);第三操作结果经过2倍上采样后、与第二操作结果连接(C表示全连接操作)、卷积(卷积核尺寸为3×3,通道数为64)、2倍上采样、与第一操作结果连接、卷积(卷积核尺寸为3×3,通道数为128)后,得到最终的特征图(也即待处理图像的第一特征图)。
在一种可能的实现方式中,输入特征提取网络的待处理图像的尺度可为256×256,可通过对采集图像进行预处理得到该尺度的待处理图像。整个特征提取网络的下采样倍数为2倍,这样,经特征提取网络处理后,可得到尺度为128×128的第一特征图。通过该轻量级的特征提取网络,可快速提取待处理图像的特征,得到低尺度的第一特征图,为后续处理提供基础。
在一种可能的实现方式中,可在步骤S12中对第一特征图进行目标区域预测。其中,步骤S12可包括:
对所述第一特征图进行中心点特征提取,得到第二特征图;
从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;
根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;
根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
举例来说,可通过卷积神经网络提取第一特征图的中心点特征,得到第二特征图(也可称为细粒度尺度估计特征图),该第二特征图的尺度为H×W×G,H、W、G分别为第二特征图的高度、宽度和通道数,通道数G例如为60。第二特征图中包括多个特征点,任一特征点的特征值可表示该特征点为目标所在区域的区域中心点的概率或置信度,该特征点所在的通道编号可表示该特征点为区域中心点时,相应区域的尺度(高度和宽度)。
在一种可能的实现方式中,可预设有第一阈值,将特征值大于或等于第一阈值的特征点确定为目标所在区域的区域中心点。这样,可从第二特征图的多个特征点中确定出一个或多个区域中心点。本公开对第一阈值的具体取值不作限制。
在一种可能的实现方式中,在确定第二特征图中的区域中心点后,可根据一个或多个区域中心点中各区域中心点对应的通道编号,确定各区域中心点对应的第一区域的尺度;进而根据各区域中心点的位置及各区域中心点对应的第一区域的尺度,分别确定各第一区域,也即估计出一个或多个区域建议框。
例如,某一区域中心点A在第二特征图中的坐标为(|xv/Ns|,|yv/Ns|,bv),Ns表示第二特征图相对于第一特征图的下采样倍数,bv表示通道编号,则区域中心点A在第一特征图中的位置为(xv,yv),区域中心点A对应的第一区域的高度和宽度均为与通道编号bv对应的尺度sv,可将区域中心点A对应的第一区域表示为[xv,yv,sv,sv]。应当理解,本领域技术人员可根据实际情况设置通道编号与尺度之间的对应关系,本公开对此不作限制。
通过这种方式,可以预测出图像中可能存在目标的位置及尺度,得到目标所在区域的区域建议框,以便在后续处理中进行关键点检测,提高检测效果。
在一种可能的实现方式中,在得到第一区域后,可在S13中对所述第一特征图进行关键点检测。其中,步骤S13可包括:
对所述第一特征图进行关键点特征提取,得到第三特征图;
从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点;
根据所述第三特征图中所述多个关键点的位置,确定所述待处理图像的目标关键点信息。
举例来说,可通过卷积神经网络提取第一特征图的关键点特征,得到第三特征图(也可称为关键点响应特征图),该第三特征图的尺度为H×W×K,H、W、K分别为第三特征图的高度、宽度和通道数。其中,第三特征图的高度及宽度与第二特征图的高度及宽度相同,通道数K用于表示每个目标的关键点数量,通道数K例如为5。本公开对通道数K的具体取值不作限制。
在一种可能的实现方式中,根据前述步骤中确定的第一区域(也即区域建议框),可确定出与第一区域对应的特征区域中的目标的多个关键点,例如目标为人脸时,可确定眼睛、鼻子、嘴角等对应的关键点。
在一种可能的实现方式中,从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点,包括:
对所述特征区域的各个通道分别进行关键点检测,得到与所述各个通道对应的关键点。
举例来说,针对任一特征区域R[x1,y1,x2,y2],(x1,y1)和(x2,y2)分别表示区域R的左上顶点和右下顶点坐标,可先对第三特征图进行归一化(例如通过softmax函数进行归一化)。对于特征区域R中的任意一个特征点hi,j,c,其归一化后的特征值可表示为:
在公式(1)中,i,j分别表示特征点的橫坐标和纵坐标,c表示特征点的通道编号,1≤c≤K;hm,n,c表示与hi,j,c在同一通道的任意特征点,x1≤m≤x2,y1≤n≤y2。
在得到特征区域R中各个特征点的特征值后,可计算该区域在通道c上的关键点横纵坐标Pc=(Ψc,x,Ψc,y):
在公式(2)中,w1,h1分别表示特征区域R的宽度和高度;对于函数如果0≤p≤q则返回p,否则返回0。
公式(1)和(2)的处理过程可称为soft-argmax操作,也即结合指数归一化函数softmax,达到argmax(寻找参数最大值的索引)的目的,同时使得过程可导。
这样,分别对特征区域R的K个通道进行计算,可得到特征区域R在K个通道上的K个特征点;进而,对第三特征图中所有的特征区域进行处理,可得到各个特征区域中的K个特征点。根据第三特征图的各个特征区域中的K个特征点的位置,以及第三特征图与待处理图像之间的对应关系,可确定待处理图像的目标关键点信息。
通过这种方式,根据区域建议框及关键点响应特征图,结合尺度自适应的soft-argmax操作生成目标的关键点,能够提高关键点检测的效果,且不受关键点数量的约束。
在一种可能的实现方式中,所述方法还包括:
对所述待处理图像中各目标的所述目标关键点信息分别进行边框回归,确定所述各目标的第二区域;
根据所述各目标的第二区域,确定所述待处理图像的目标识别结果。
举例来说,在步骤S13中得到目标关键点后,可对各目标的目标关键点信息分别进行边框回归,得到目标所在的第二区域,使得区域的范围更准确。
在一种可能的实现方式中,可先统计多个图像(例如训练集中的多个样本图像)的平均目标关键点坐标
公式(3)中,N表示参与统计的图像中标注框的数量,例如N=10000;(xl,yl)可表示任意一个标注框的目标关键点坐标,wl和hl表示对应人脸标注框的宽和高,1≤l≤N。对于数据集中的人脸关键点信息,可以求得每个关键点对应的平均点坐标其中1≤k≤K,K为关键点数量。从而,对于检测得到的一组目标关键点和对应的变换矩阵T,可以有:
公式(4)中,表示任意三个关键点对应的平均点坐标,(X1,Y1)、(X2,Y2)、(X3,Y3)表示一组目标关键点中相对应的三个目标关键点。通过公式(4),可计算出与该组目标关键点对应的变换矩阵T。设该组目标关键点对应的边界框的左上顶点和右下顶点坐标分别为(x3,y3)和(x4,y4),则有:
通过公式(5),可计算出该组目标关键点对应的边界框的左上顶点和右下顶点坐标(x3,y3)和(x4,y4),也即通过边框回归得到目标所在的第二区域。从而,对待处理图像中的各个目标的目标关键点分别进行边框回归处理,可确定出各个目标的第二区域;进而可根据各个目标的第二区域,确定出待处理图像的目标识别结果。
通过这种方式,对检测到的目标关键点进行边界框回归,能够有效的减少边界框模糊定义的影响,提高获取到的目标所在区域的位置更加准确。
在一种可能的实现方式中,根据所述各目标的第二区域,确定所述待处理图像的目标识别结果的步骤可包括:
确定与所述第二区域对应的所述第一区域的第一置信度得分,以及所述第二区域的全部或部分目标关键点信息的第二置信度得分;
根据所述第一置信度得分及所述第二置信度得分,确定所述第二区域的第三置信度得分;
根据各个第二区域的第三置信度得分,确定待处理图像的目标识别结果,所述目标识别结果包括第三置信度得分大于或等于第二阈值的所述第二区域。
举例来说,在得到待处理图像中各目标的第二区域后,可确定各个第二区域的置信度得分,用于表示第二区域是真实目标所在区域的概率。
在一种可能的实现方式中,对于任意一个第二区域,可确定与该第二区域对应的第一区域(也即区域建议框)的第一置信度得分,该第一置信度得分可以为第一区域的区域中心点的特征值,或与区域中心点的特征值相对应。同时,可确定第二区域的全部或部分目标关键点信息的第二置信度得分,也即可采用全部的目标关键点进行计算,也可采用一部分重要的目标关键点进行计算,本公开对此不作限制。
在一种可能的实现方式中,可根据第一置信度得分及第二置信度得分,确定第二区域的第三置信度得分。针对任意一个第二区域,设该第二区域的第一置信度得分为P1,第二置信度得分为3个重要的目标关键点的特征值之和,第三置信度得分为P3,则有:
在公式(6)中,Φ(h*,*,c)表示第二区域内任意一个点h*,*,c的特征值;max(Φ(h*,*,c)表示目标关键点的特征值,c为通道编号。
在一种可能的实现方式中,可预设有置信度得分的第二阈值。如果第二区域的第三置信度得分大于或等于该第二阈值,则可认为该第二区域是真实目标所在的区域,可作为目标识别结果;反之,如果第二区域的第三置信度得分小于该第二阈值,则可认为该第二区域不是真实目标所在的区域,可从目标识别结果中去除。本公开对第二阈值的具体取值不作限制。
通过这种方式,可对边界框回归得到的目标所在区域进行筛选,进一步提高图像中目标识别的精度。
在一种可能的实现方式中,根据本公开实施例的图像处理方法可通过神经网络实现,该神经网络包括特征提取网络、区域预测网络及关键点检测网络,分别用于进行特征提取、目标区域预测及关键点检测。
图3示出了根据本公开实施例的图像处理过程的示意图。如图3所示,该神经网络包括特征提取网络31、区域预测网络32及关键点检测网络33。可将待处理图像34输入特征提取网络31中处理,得到待处理图像34的第一特征图(未示出),以降低图像的尺度。
在该示例中,将第一特征图输入区域预测网络32的中心点特征提取子网络321中处理,得到第二特征图(也可称为细粒度尺度估计特征图)S,尺度为H×W×G;根据各个通道中的特征点的特征值,选取特征值大于或等于第一阈值的特征点作为区域中心点,并根据区域中心点所在的通道确定区域的尺度,从而得到多个第一区域(也即区域建议框)322。
在该示例中,可同时将第一特征图输入关键点检测网络33的关键点特征提取子网络331中处理,得到第三特征图(也可称为关键点响应特征图)K,第三特征图的尺度为H×W×K;根据前述步骤中确定的第一区域322,可对与第一区域对应的特征区域中的特征点进行softmax归一化,进而确定出目标的多个关键点(每个通道对应一类关键点),坐标表示为(X,Y)。
在该示例中,可根据各个目标的多个关键点进行边框回归,确定更准确的目标区域(称为第二区域)。经筛选后,最终得到待处理图像的目标识别结果35。该目标识别结果35可包括识别出的各个目标所在的区域框及关键点位置。在目标为人脸的情况下,可得到多个人脸框以及人脸框中的眼睛、鼻子、嘴角等人脸关键点的位置。
在一种可能的实现方式中,在应用根据本公开实施例的图像处理方法的神经网络之前,可对神经网络进行训练。其中,所述方法还包括:
根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像、所述多个样本图像中的标注区域信息,及所述多个样本图像中的标注关键点信息。
举例来说,可预设有训练集,训练集中包括多个样本图像,各样本图像中包括待识别的目标(例如人脸),各样本图像已标注有各个目标的标注区域信息及标注关键点信息。可将训练集中的样本图像输入神经网络中处理,得到样本图像的目标识别结果;根据识别结果与标注信息之间的差异,调整神经网络的参数。经多次迭代后,得到训练后的神经网络。
在一种可能的实现方式中,根据预设的训练集,训练所述神经网络的步骤包括:
通过所述特征提取网络对样本图像进行处理,确定第一样本特征图;
通过所述区域预测网络对所述第一样本特征图进行处理,确定第二样本特征图及所述第二样本特征图中的至少一个样本区域;
通过所述关键点检测网络对所述第一样本特征图进行处理,确定第三样本特征图,所述第三样本特征图的宽度及高度与所述第二样本特征图宽度及高度相同;
根据所述至少一个样本区域,确定所述第三样本特征图的样本区域中的样本关键点信息;
根据所述样本图像的标注区域信息,确定所述样本图像的第一标注特征图,所述第一标注特征图的尺度与所述第二样本特征图的尺度相同,所述第一标注特征图的通道编号表示所述标注区域信息的尺度;
根据所述第一标注特征图和所述第二样本特征图之间的差异,确定所述样本图像针对所述区域预测网络的第一损失;
根据所述标注关键点信息与所述样本关键点信息之间的差异,确定所述样本图像针对所述关键点检测网络的第二损失;
根据所述多个样本图像的第一损失和第二损失,训练所述神经网络。
举例来说,对于训练集中的任意一个样本图像,与图3中的处理过程类似,可将该样本图像输入特征提取网络中处理,输出第一样本特征图,以降低图像的尺度。再将第一样本特征图输入区域预测网络中处理,得到第二样本特征图及第二样本特征图中的至少一个样本区域(也即区域建议框)。该第二样本特征图的尺度为H×W×G,G例如为60。
在一种可能的实现方式中,根据该样本图像的标注区域信息(即标注框),可确定所述样本图像的第一标注特征图M,第一标注特征图的尺度与所述第二样本特征图的尺度相同,为H×W×G,第一标注特征图的通道编号表示标注区域信息的尺度。也就是说,对于该样本图像的任一标注框R0,[x0,y0,h0,w0],(x0,y0)表示中心点在样本图像中的坐标,h0和w0表示长和宽,其尺度编码可表示为:
公式(7)中,b表示该标注框R0的通道索引(即通道编号),Imax表示样本图像的最长边。应当理解,本领域技术人员可根据实际情况设置标注框R0的通道索引,本公开对此不作限制。
该情况下,可对第一标注特征图M中的各个特征点进行赋值。可首先将该标注框R0的中心特征点赋值为1:
公式(8)中,NG表示第一标注特征图相对于样本图像的下采样倍数。
在一种可能的实现方式中,为了减轻网络学习离散值的难度,引入2D高斯函数来调整第一标注特征图M中的中心特征点的邻居点的取值。设 表示取整数,则有:
公式(9)中,表示标注框R0的中心特征点坐标;(xu,yu)表示中心特征点的邻居点,σ表示预设的方差。经公式(8)-(9)对第一标注特征图M中的各个标注框中的特征点进行赋值后,可得到赋值后的第一标注特征图M。
在该情况下,根据第一标注特征图和第二样本特征图之间的差异,可确定该样本图像针对所述区域预测网络的第一损失:
公式(10)中,|M0|表示第一标注特征图和第二样本特征图中的特征点个数;对于任意一个特征点t,pt表示该特征点t在第一标注特征图中的取值(作为监督值);表示该特征点t在第二样本特征图中的取值(也即网络预测值)。根据公式(10),可计算出该样本图像针对区域预测网络的第一损失Lscale。进而,可对多个样本图像(例如一个批次的256个样本)分别计算,得到多个样本图像的第一损失,以便训练根据本公开实施例的神经网络。应当理解,本领域技术人员可根据实际情况设置第一损失的损失函数,本公开对此不作限制。
在一种可能的实现方式中,针对样本图像的第二样本特征图,可根据预设的阈值(例如第一阈值),从第二样本特征图中确定出多个中心特征点;根据中心特征点所在的通道,可利用公式(7)计算出中心特征点所在的区域的尺度,从而可确定出第二样本特征图中的至少一个样本区域(也即区域建议框)。
在一种可能的实现方式中,可将第一样本特征图输入关键点检测网络中处理,得到第三样本特征图,第三样本特征图的宽度及高度与第二样本特征图宽度及高度相同,第三样本特征图的尺度可表示为H×W×K,通道数K用于表示每个目标的关键点数量,通道数K例如为5。
在一种可能的实现方式中,根据各个样本区域,可确定第三样本特征图的样本区域中的样本关键点信息。也即,通过公式(1)对各个样本区域进行归一化,并通过公式(2)确定出各个样本区域中的样本关键点的位置。进而,根据该样本图像的标注关键点信息与样本关键点信息之间的差异,确定该样本图像针对关键点检测网络的第二损失:
公式(11)中,表示标注关键点(例如GT标注的关键点);Ψc,*表示样本关键点,c表示通道编号。根据公式(11),可计算出该样本图像针对关键点检测网络的第二损失Lkeypoint。进而,可对多个样本图像(例如一个批次的256个样本)分别计算,得到多个样本图像的第二损失,以便训练根据本公开实施例的神经网络。应当理解,本领域技术人员可根据实际情况设置第二损失的损失函数,本公开对此不作限制。
在一种可能的实现方式中,可根据多个样本图像的第一损失和第二损失,确定神经网络的总体损失,例如将第一损失与第二损失的加权和确定为神经网络的总体损失。根据神经网络的总体损失,可进行反向传播以调整神经网络的网络参数;经过多轮迭代调整,在满足预设的训练条件(例如网络收敛)的情况下,可得到训练后的神经网络,完成整个训练过程。
通过这种方式,可实现神经网络的训练过程,得到高精度的神经网络。
根据本公开实施例的图像处理方法,能够采用低尺度图像输入以及轻量级模型结构达到高效的推理速度;利用目标尺度编码,利用卷积神经网络进行目标位置及尺度预测;该方法采用anchor-free(可称为无锚点)机制,结合人脸尺度预测与可导的soft-argmax操作,构建出快速准确的目标检测算法。
根据本公开实施例的图像处理方法,采用由下而上(bottom-up)的机制,也即先进行人脸关键点的检测,进而基于关键点信息回归出人脸边界框。相比于人脸边界框的模糊定义,人脸关键点具备准确的语义信息表达,从而提高了推理精度,性能可达到SOTA(当前最好的一系列算法)水平。
根据本公开实施例的图像处理方法,能够应用于门禁闸机、智能视频分析、安防监控等领域,实现快速准确的人脸检测,人脸关键点检测,或联合进行人脸关键点检测和人脸边界框检测。并且,可利用本方法的尺度预测结果,预测图像中潜在的人脸目标尺度。
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。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像处理装置、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图像处理方法,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4示出了根据本公开实施例的图像处理装置的框图,如图4所示,所述装置包括:
特征提取模块41,用于对待处理图像进行特征提取,得到所述待处理图像的第一特征图;区域预测模块42,用于对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;关键点检测模块43,用于根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述装置还包括:边框回归模块,用于对所述待处理图像中各目标的所述目标关键点信息分别进行边框回归,确定所述各目标的第二区域;结果确定模块,用于根据所述各目标的第二区域,确定所述待处理图像的目标识别结果。
在一种可能的实现方式中,所述区域预测模块包括:中心点特征提取子模块,用于对所述第一特征图进行中心点特征提取,得到第二特征图;中心点确定子模块,用于从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;尺度确定子模块,用于根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;区域确定子模块,用于根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
在一种可能的实现方式中,所述关键点检测模块包括:关键点特征提取子模块,用于对所述第一特征图进行关键点特征提取,得到第三特征图;关键点确定子模块,用于从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点;关键点信息确定子模块,用于根据所述第三特征图中所述多个关键点的位置,确定所述待处理图像的目标关键点信息。
在一种可能的实现方式中,所述关键点确定子模块用于:对所述特征区域的各个通道分别进行关键点检测,得到与所述各个通道对应的关键点。
在一种可能的实现方式中,所述结果确定模块包括:第一得分确定子模块,用于确定与所述第二区域对应的所述第一区域的第一置信度得分,以及所述第二区域的全部或部分目标关键点信息的第二置信度得分;第二得分确定子模块,用于根据所述第一置信度得分及所述第二置信度得分,确定所述第二区域的第三置信度得分;结果确定子模块,用于根据各个第二区域的第三置信度得分,确定待处理图像的目标识别结果,所述目标识别结果包括第三置信度得分大于或等于第二阈值的所述第二区域。
在一种可能的实现方式中,所述装置通过神经网络实现,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像、所述多个样本图像中的标注区域信息,及所述多个样本图像中的标注关键点信息。
在一种可能的实现方式中,所述神经网络包括特征提取网络、区域预测网络及关键点检测网络,所述训练模块用于:
通过所述特征提取网络对样本图像进行处理,确定第一样本特征图;通过所述区域预测网络对所述第一样本特征图进行处理,确定第二样本特征图及所述第二样本特征图中的至少一个样本区域;通过所述关键点检测网络对所述第一样本特征图进行处理,确定第三样本特征图,所述第三样本特征图的宽度及高度与所述第二样本特征图宽度及高度相同;根据所述至少一个样本区域,确定所述第三样本特征图的样本区域中的样本关键点信息;根据所述样本图像的标注区域信息,确定所述样本图像的第一标注特征图,所述第一标注特征图的尺度与所述第二样本特征图的尺度相同,所述第一标注特征图的通道编号表示所述标注区域信息的尺度;根据所述第一标注特征图和所述第二样本特征图之间的差异,确定所述样本图像针对所述区域预测网络的第一损失;根据所述标注关键点信息与所述样本关键点信息之间的差异,确定所述样本图像针对所述关键点检测网络的第二损失;根据所述多个样本图像的第一损失和第二损失,训练所述神经网络。
在一种可能的实现方式中,所述待处理图像中的目标包括人脸、人体及人手中的任意一种。
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调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出了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5,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6示出了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6,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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行特征提取,得到所述待处理图像的第一特征图;
对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;
根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息;
对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域,包括:
对所述第一特征图进行中心点特征提取,得到第二特征图;
从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;
根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;
根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述待处理图像中各目标的所述目标关键点信息分别进行边框回归,确定所述各目标的第二区域;
根据所述各目标的第二区域,确定所述待处理图像的目标识别结果。
3.根据权利要求1或2所述的方法,其特征在于,根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息,包括:
对所述第一特征图进行关键点特征提取,得到第三特征图;
从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点;
根据所述第三特征图中所述多个关键点的位置,确定所述待处理图像的目标关键点信息。
4.根据权利要求3所述的方法,其特征在于,从所述第三特征图中与所述第一区域对应的特征区域中确定出所述目标的多个关键点,包括:
对所述特征区域的各个通道分别进行关键点检测,得到与所述各个通道对应的关键点。
5.根据权利要求2所述的方法,其特征在于,根据所述各目标的第二区域,确定所述待处理图像的目标识别结果,包括:
确定与所述第二区域对应的所述第一区域的第一置信度得分,以及所述第二区域的全部或部分目标关键点信息的第二置信度得分;
根据所述第一置信度得分及所述第二置信度得分,确定所述第二区域的第三置信度得分;
根据各个第二区域的第三置信度得分,确定待处理图像的目标识别结果,所述目标识别结果包括第三置信度得分大于或等于第二阈值的所述第二区域。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述方法还包括:
根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像、所述多个样本图像中的标注区域信息,及所述多个样本图像中的标注关键点信息。
7.根据权利要求6所述的方法,其特征在于,所述神经网络包括特征提取网络、区域预测网络及关键点检测网络,
所述根据预设的训练集,训练所述神经网络,包括:
通过所述特征提取网络对样本图像进行处理,确定第一样本特征图;
通过所述区域预测网络对所述第一样本特征图进行处理,确定第二样本特征图及所述第二样本特征图中的至少一个样本区域;
通过所述关键点检测网络对所述第一样本特征图进行处理,确定第三样本特征图,所述第三样本特征图的宽度及高度与所述第二样本特征图宽度及高度相同;
根据所述至少一个样本区域,确定所述第三样本特征图的样本区域中的样本关键点信息;
根据所述样本图像的标注区域信息,确定所述样本图像的第一标注特征图,所述第一标注特征图的尺度与所述第二样本特征图的尺度相同,所述第一标注特征图的通道编号表示所述标注区域信息的尺度;
根据所述第一标注特征图和所述第二样本特征图之间的差异,确定所述样本图像针对所述区域预测网络的第一损失;
根据所述标注关键点信息与所述样本关键点信息之间的差异,确定所述样本图像针对所述关键点检测网络的第二损失;
根据所述多个样本图像的第一损失和第二损失,训练所述神经网络。
8.根据权利要求1-7中任意一项所述的方法,其特征在于,所述待处理图像中的目标包括人脸、人体及人手中的任意一种。
9.一种图像处理装置,其特征在于,包括:
特征提取模块,用于对待处理图像进行特征提取,得到所述待处理图像的第一特征图;
区域预测模块,用于对所述第一特征图进行目标区域预测,确定所述第一特征图中目标所在的第一区域;
关键点检测模块,用于根据所述第一区域,对所述第一特征图进行关键点检测,确定所述待处理图像的目标关键点信息;
区域预测模块,用于:
对所述第一特征图进行中心点特征提取,得到第二特征图;
从所述第二特征图的多个特征点中确定出至少一个区域中心点,所述区域中心点包括特征值大于或等于第一阈值的特征点;
根据所述至少一个区域中心点中各区域中心点对应的通道编号,确定所述各区域中心点对应的所述第一区域的尺度;
根据所述各区域中心点的位置及所述各区域中心点对应的所述第一区域的尺度,分别确定各所述第一区域。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078672.XA CN111310616B (zh) | 2020-02-03 | 2020-02-03 | 图像处理方法及装置、电子设备和存储介质 |
PCT/CN2020/081376 WO2021155632A1 (zh) | 2020-02-03 | 2020-03-26 | 图像处理方法及装置、电子设备和存储介质 |
KR1020217002249A KR20210102180A (ko) | 2020-02-03 | 2020-03-26 | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 |
JP2020568498A JP2022522551A (ja) | 2020-02-03 | 2020-03-26 | 画像処理方法及び装置、電子機器並びに記憶媒体 |
TW109117678A TWI766286B (zh) | 2020-02-03 | 2020-05-27 | 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒介 |
US16/998,285 US11417078B2 (en) | 2020-02-03 | 2020-08-20 | Image processing method and apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078672.XA CN111310616B (zh) | 2020-02-03 | 2020-02-03 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310616A CN111310616A (zh) | 2020-06-19 |
CN111310616B true CN111310616B (zh) | 2023-11-28 |
Family
ID=71156394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010078672.XA Active CN111310616B (zh) | 2020-02-03 | 2020-02-03 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
KR (1) | KR20210102180A (zh) |
CN (1) | CN111310616B (zh) |
TW (1) | TWI766286B (zh) |
WO (1) | WO2021155632A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881854A (zh) * | 2020-07-31 | 2020-11-03 | 上海商汤临港智能科技有限公司 | 动作识别方法、装置、计算机设备及存储介质 |
CN111986217B (zh) * | 2020-09-03 | 2024-01-16 | 北京大学口腔医学院 | 一种图像处理方法、装置及设备 |
CN112116528A (zh) * | 2020-09-25 | 2020-12-22 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112365443B (zh) * | 2020-10-16 | 2021-10-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
CN112241731B (zh) * | 2020-12-03 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 一种姿态确定方法、装置、设备及存储介质 |
CN112873212B (zh) * | 2021-02-25 | 2022-05-13 | 深圳市商汤科技有限公司 | 抓取点检测方法及装置、电子设备和存储介质 |
CN113920565A (zh) * | 2021-10-29 | 2022-01-11 | 上海商汤智能科技有限公司 | 真伪识别方法、装置、电子设备以及存储介质 |
KR102375587B1 (ko) * | 2021-11-15 | 2022-03-18 | 주식회사 버츄어라이브 | 헤어 이미지 추천 및 합성 방법 및 장치 |
KR20230076044A (ko) | 2021-11-23 | 2023-05-31 | 주식회사 버넥트 | 동적 학습을 통한 타겟 검출 성능 향상 방법 및 그 시스템 |
CN114255381B (zh) * | 2021-12-23 | 2023-05-12 | 北京瑞莱智慧科技有限公司 | 图像识别模型的训练方法、图像识别方法、装置及介质 |
KR20230108104A (ko) | 2022-01-10 | 2023-07-18 | 아주대학교산학협력단 | 영상 내 마커 위치 검출 방법 및 시스템 |
CN114333038B (zh) * | 2022-03-03 | 2022-06-07 | 百度在线网络技术(北京)有限公司 | 对象识别模型的训练方法和对象识别方法、装置、设备 |
CN115170455B (zh) * | 2022-08-17 | 2023-02-07 | 荣耀终端有限公司 | 图像处理方法及相关装置 |
KR102491291B1 (ko) * | 2022-09-27 | 2023-01-27 | 주식회사 미러로이드 | 헤어 스타일 추천 장치 및 방법 |
CN115661492B (zh) * | 2022-12-28 | 2023-12-29 | 摩尔线程智能科技(北京)有限责任公司 | 图像比对方法、装置、电子设备、存储介质和程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019137137A1 (en) * | 2018-01-11 | 2019-07-18 | Huawei Technologies Co., Ltd. | Activity recognition method using videotubes |
CN110348358A (zh) * | 2019-07-03 | 2019-10-18 | 网易(杭州)网络有限公司 | 一种肤色检测系统、方法、介质和计算设备 |
CN110472554A (zh) * | 2019-08-12 | 2019-11-19 | 南京邮电大学 | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 |
WO2020010979A1 (zh) * | 2018-07-10 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、系统及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822223B2 (en) * | 2006-01-13 | 2010-10-26 | New Jersey Institute Of Technology | Method for identifying marked images using statistical moments based at least in part on a JPEG array |
JP6193972B2 (ja) * | 2012-03-27 | 2017-09-06 | ユークリッド・ディスカバリーズ・エルエルシーEuclid Discoveries,Llc | 映像圧縮レポジトリおよびモデル再利用 |
US20150009222A1 (en) * | 2012-11-28 | 2015-01-08 | Nvidia Corporation | Method and system for cloud based virtualized graphics processing for remote displays |
JP5684321B2 (ja) * | 2013-04-24 | 2015-03-11 | 日本電信電話株式会社 | 部分映像検出装置、部分映像検出方法、及び部分映像検出プログラム |
KR102205498B1 (ko) * | 2014-09-18 | 2021-01-20 | 삼성전자주식회사 | 입력 영상으로부터 특징을 추출하는 방법 및 장치 |
US10032067B2 (en) * | 2016-05-28 | 2018-07-24 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN109522910B (zh) * | 2018-12-25 | 2020-12-11 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
-
2020
- 2020-02-03 CN CN202010078672.XA patent/CN111310616B/zh active Active
- 2020-03-26 WO PCT/CN2020/081376 patent/WO2021155632A1/zh active Application Filing
- 2020-03-26 KR KR1020217002249A patent/KR20210102180A/ko not_active Application Discontinuation
- 2020-05-27 TW TW109117678A patent/TWI766286B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019137137A1 (en) * | 2018-01-11 | 2019-07-18 | Huawei Technologies Co., Ltd. | Activity recognition method using videotubes |
WO2020010979A1 (zh) * | 2018-07-10 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
CN110348358A (zh) * | 2019-07-03 | 2019-10-18 | 网易(杭州)网络有限公司 | 一种肤色检测系统、方法、介质和计算设备 |
CN110472554A (zh) * | 2019-08-12 | 2019-11-19 | 南京邮电大学 | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
TWI766286B (zh) | 2022-06-01 |
KR20210102180A (ko) | 2021-08-19 |
TW202131281A (zh) | 2021-08-16 |
WO2021155632A1 (zh) | 2021-08-12 |
CN111310616A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
US11532180B2 (en) | Image processing method and device and storage medium | |
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
JP2022533065A (ja) | 文字認識方法及び装置、電子機器並びに記憶媒体 | |
CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113139484B (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111178115B (zh) | 对象识别网络的训练方法及系统 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40020908 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |