CN111666826A - 处理图像的方法、装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本公开的实施例涉及一种用于处理图像方法、装置、电子设备和计算机可读存储介质，涉及图像处理领域。该方法可以包括对输入图像中的对象的目标部位进行检测。该方法进一步包括基于目标部位的检测结果确定目标部位的关键点的权重信息，权重信息指示关键点被遮挡的概率。此外，该方法可以进一步包括基于检测结果和权重信息，确定对象的身份信息。本公开的技术方案可以快速高效且低成本地获取被监控对象的身份信息，从而降低图像识别的时间和人力成本。

Description

处理图像的方法、装置、电子设备和计算机可读存储介质

技术领域

本公开的实施例主要涉及计算机领域，并且更具体地，涉及用于 处理图像的方法、装置、电子设备和计算机可读存储介质。

背景技术

随着我国经济以及交通建设的发展，在公共交通的进站口、景点 以及场馆的入口经常会出现高密度的人流。由于可能出现并长期存在 的传染病疫情，对高密度人流的体温测量以及身份信息的识别都是疫 情防控的重要环节。然而目前的无接触式身份检查与体温测量手段通 常是安保、防疫人员通过扫描身份证等方式逐个地对行人进行身份识 别，并且通过体温枪逐个地对行人进行体温检测。这种方式显然是低 效的。并且，由于可能造成人流拥堵，高密度人流的聚集通常不可避 免，进而造成更多人群被感染。如何高效且准确地实现身份识别和体 温测量是疫情防控工作亟待解决的问题。

发明内容

根据本公开的示例实施例，提供了一种用于处理图像的方案。

在本公开的第一方面中，提供了一种用于处理图像的方法。该方 法可以包括对输入图像中的对象的目标部位进行检测。该方法进一步 包括基于目标部位的检测结果确定目标部位的关键点的权重信息，权 重信息指示关键点被遮挡的概率。此外，该方法可以进一步包括基于 检测结果和权重信息，确定对象的身份信息。

在本公开的第二方面中，提供了一种用于处理图像的装置，包括： 目标部位检测模块，被配置为对输入图像中的对象的目标部位进行检 测；权重信息确定模块，被配置为基于所述目标部位的检测结果确定 所述目标部位的关键点的权重信息，所述权重信息指示所述关键点被 遮挡的概率；以及身份信息确定模块，被配置为基于所述检测结果和 所述权重信息，确定所述对象的身份信息。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个 处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程 序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开 的第一方面的方法。

在本公开的第四方面中，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根据本公开的第一方 面的方法。

在本公开的第五方面中，提供了一种用于处理图像的系统，包括： 图像采集模块，被配置为提供与对象的目标部位相关联的输入图像； 计算模块，与图像采集模块通信连接，所述计算模块被配置为实现根 据本公开的第一方面的方法；以及输出展示模块，被配置为展示计算 模块的处理结果。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的 实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其 它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，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。在附图中，相同或相似的附图标注 表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示 意图；

图2示出了本公开的多个实施例能够在其中实现的详细示例环境 的示意图；

图3示出了根据本公开的实施例的用于处理图像的过程的流程 图；

图4示出了根据本公开的实施例的用于确定关键点的权重信息的 示意图；

图5示出了根据本公开的实施例的用于处理图像的系统的框图；

图6示出了根据本公开的实施例的用于处理图像的装置的框图； 以及

图7示出了能够实施本公开的多个实施例的计算设备的框图。

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。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理 解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至 少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至 少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相 同的对象。下文还可能包括其他明确的和隐含的定义。

为了应对疫情防控，通常可以利用人脸识别技术来同时确定多个 行人的身份信息。然而，疫情期间出行的行人通常都佩戴有口罩，从 而加大了人脸识别的难度。也就是说，在面部被遮挡的情况下，传统 的人脸识别机制通常会输出不准确的识别结果或者识别失败。

如上文提及的，亟需一种图像处理方法，来快速高效且低成本地 获取行人的身份信息，从而降低身份识别的时间和人力成本。此外， 在确认身份信息的同时，还可以通过结合红外热成像设备对确认了身 份的人脸进行无接触测温，从而高效率地采集或检测行人的体温信 息。

根据本公开的实施例，提出了一种用于处理图像的方案。在该方 案中，可以基于摄像头采集的输入图像来对对象的目标部位的关键点 进行确定，同时还进一步确定每个关键点的权重信息。这里，权重信 息用于指示关键点被遮挡的概率。对于目标部位的关键点被遮挡的部 位，其用于图像识别的价值微乎其微，故可以降低其权重，从而使图 像识别更专注于未被遮挡的部分。以此方式，即便存在诸如人的面部 的目标部位被不透明物体(例如，口罩、手机等)遮挡的情况，该被 遮挡的部位的关键点的权重信息可以被确定为很小或者可以忽略。由 此，可以更多地基于未被遮挡的部分来确定被监控对象的身份信息。

以下将参照附图来具体描述本公开的实施例。图1A示出了本公 开的多个实施例能够在其中实现的示例环境100A的示意图。如图1 所示，示例环境100A中包含输入图像110、计算设备120、和输出的 身份信息130。此外，计算设备110中还包含卷积神经网络(CNN) 140。应理解，图1A中的CNN 140仅是示例性的，还可以被其他具 备学习功能的人工智能网络所替代。还应当理解，图1A中的计算设 备110可以包括一个或多个CNN或其他神经网络模型。例如，可以 利用一个CNN可以实现检测区域生成模型，以确定目标部位的检测区域。又例如，可以利用另一CNN来实现权重确定模型，以确定各 关键点的权重信息。此外，还可以利用其它CNN来实现身份识别模 型，以确定被监控对象的身份信息。这些模型的构建和使用将在下文 中进行详细描述。

输入图像110可以是由与计算设备120相连接的图像获取设备获 取的实时监控图像。作为示例，图像获取设备可以设置在人流量较大 的公共场所，以便获取经过该场所的人群中的每一个人的图像信息。 应理解，获取图像信息的对象可以不限于人，而是还可以包含需要批 量测量体温的动物(例如，动物园或饲养场所内的动物)。另外，输 入图像110还可以是与被监控的对象的多帧图像，即，视频。计算设 备120可以接收输入图像110，并通过计算设备110中的CNN 140来 确定被监控对象的诸如脸部的目标部位的检测区域。

应理解，本文所述的检测区域是用于检测目标部位的区域，例如 可以通过检测框或者其他适当的工具来标定，也可以仅仅是确定图像 上的一部分区域、而不实际标定。作为示例，检测区域可以具有多种 实现形式，例如可以具有方框、圆形、椭圆形、不规则形状等形状， 也可以以实线、虚线、点划线等来描绘。

计算设备110中的CNN 140还可以确定每个关键点的权重信息， 该权重信息可以指示各个关键点或像素被口罩遮挡的概率，由此可以 滤除被口罩遮挡的、不可用于人脸识别的图像数据，使识别模型专注 于未被遮挡的部分。

此外，示例环境100A中还可以加入无接触测温装置，从而在准 确确定对象身份信息的同时确定对象的体温信息。例如，图1B示出 了本公开的多个实施例能够在其中实现的另一示例环境100B的示意 图。如图1B所示，示例环境中加入了温度感测图像150以及输出的 温度160。温度感测图像150可以由诸如红外热成像设备的温度感测 设备来获取。通过将诸如红外热成像设备的温度感测设备和上文描述 的图像获取设备进行配准，从而实现两设备成像的像素级对齐。由此， 计算设备120可以确定每个关键点的温度信息，并通过诸如加权平均 等方式基于更具有参考意义的关键点的温度信息来确定被监控对象 的温度160。

应理解，在图1A和图1B中，基于输入图像110确定身份信息 130的关键在于：计算设备110中的CNN 140是通过预先训练构建的， 下文将通过图2对CNN 140的构建和使用进行描述。

图2示出了本公开的多个实施例能够在其中实现的详细示例环境 200的示意图。与图1A和1B类似地，示例环境200可以包含计算设 备220、输入图像210和输出结果230。区别在于，示例环境200总 体上可以包括模型训练系统260和模型应用系统270。作为示例，模型训练系统260和/或模型应用系统270可以在如图1A和图1B所示 的计算设备120或如图2所示的计算设备220中实现。应当理解，仅 出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文 所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实 施。

如前所述，确定被监控对象的诸如脸部的目标部位的检测区域的 过程以及确定关键点及其权重信息的过程均可以分为两个阶段：模型 训练阶段和模型应用阶段。作为示例，对于确定目标部位的检测区域 的过程，在模型训练阶段中，模型训练系统260可以利用训练数据集 250来训练确定检测区域的CNN 240。在模型应用阶段中，模型应用 系统270可以接收经训练的CNN 240，从而由CNN 240基于输入图 像210确定检测区域。应理解，训练数据集250可以是海量的被标注 的监控图像。

作为另一示例，对于确定关键点的权重信息的过程，在模型训练 阶段中，模型训练系统260可以利用训练数据集250来训练确定关键 点的权重信息的CNN 240。在模型应用阶段中，模型应用系统270可 以接收经训练的CNN 240，从而由CNN 240基于确定的检测区域确 定关键点及其权重信息。应理解，也可以训练CNN 240直接基于输 入图像110确定关键点及其权重信息。

在其他实施例中，CNN 240可以被构建为用于确定关键点及其权 重信息的学习网络。这样的学习网络也可以被称为学习模型，或者被 简称为网络或模型。在一些实施例中，用于确定关键点及其权重信息 的学习网络可以包括多个网络，其中每个网络可以是一个多层神经网 络，其可以由大量的神经元组成。通过训练过程，每个网络中的神经 元的相应参数能够被确定。这些网络中的神经元的参数被统称为CNN 240的参数。

CNN 240的训练过程可以以迭代方式来被执行。具体地，模型训 练系统260可以从训练数据集250中获取参考图像，并且利用参考图 像来进行训练过程的一次迭代，以更新CNN 240的相应参数。模型 训练系统260可以基于训练数据集250中的多个参考图像重复执行上 述过程，直至CNN 240的参数中的至少部分参数收敛，由此获得最 终的模型参数。

上文描述的技术方案仅用于示例，而非限制本发明。应理解，还 可以按照其他方式和连接关系来布置各个网络。为了更清楚地解释上 述方案的原理，下文将参考图3来更详细描述温度测量的过程。

图3示出了根据本公开的实施例的用于处理图像的过程300的流 程图。在某些实施例中，方法300可以在图1A和1B的计算设备120、 图2的计算设备220以及图6示出的设备中实现。现参照图1A和图 1B描述根据本公开实施例的用于处理图像的过程300。为了便于理 解，在下文描述中提及的具体实例均是示例性的，并不用于限定本公 开的保护范围。

在302，计算设备120可以对输入图像110中的对象的目标部位 进行检测。作为示例，计算设备120可以通过检测区域生成模型(诸 如，上文所述的CNN 140包含的一个模型)在输入图像110中确定 目标部位的检测区域。在一些实施例中，CNN 140可以对输入图像110进行人脸区域检测。例如，可以通过六层卷积网络对输入图像110 进行人脸基础特征提取，并且每层卷积网络实现一次图像下采样，基 于最后的三层卷积神经网络分别预设置固定数目的不同尺寸人脸锚 点区域进行人脸检测区域回归，最终人脸的检测区域。应理解，上述 实例仅是示例性的，还可以采用其他层数的卷积网络，并且也不限于 确定人脸的检测区域。以此方式，可以基于检测区域生成模型快速识 别输入图像110中的目标部位的检测区域，从而为后续的温度测量、 甚至人脸识别做准备。

在304，计算设备120可以基于目标部位的检测结果确定目标部 位的关键点的权重信息。权重信息用于指示关键点被遮挡的概率。作 为示例，计算设备120可以将目标部位的检测结果应用于权重确定模 型(诸如，上文所述的CNN 140包含的一个模型)，以确定关键点 的权重信息。应理解，CNN140通常可以输出关键点的权重信息或者 输出关键点及其权重信息两者。CNN 140是基于参考图像中的参考目 标部位以及参考目标部位中的参考关键点的参考权重信息来训练得 到的。在一些实施例中，CNN 140可以基于人脸的检测结果确定该人 脸的每个关键点的权重信息。以此方式，可以将图像识别的重点侧重 在没有被遮挡的正常显示的部分，从而提升了图像识别的准确性。也 就是说，由于设置有权重机制，被遮挡的部分实际上将不被或很少被 计算设备120用于进行识别操作，从而降低了计算设备120中的CNN 140出现误识别的可能性。

图4更为详细地示出了根据本公开的实施例的用于基于检测结果 410确定关键点的权重信息的示意图。如图4所示，被监控对象为行 人，且目标部位为行人的面部，即，人脸。当诸如权重确定模型的 CNN 140获取到被确认了人脸检测区域410的图像后，CNN 140可以 确定人脸检测区域410内的多个关键点，诸如关键点420。进而，CNN 140还可以确定每个关键点的权重信息。例如，由于关键点420和多 个关键点被口罩遮挡，故这些关键点的权重信息被确定为很小。作为 示例，权重信息通常被设置为0到1之间的数值，由CNN140预测的 关键点被遮挡的概率越大，权重信息的数值就越小，这意味着该关键 点处的图像特征越没有参考价值。

之后，回到图3。在306，计算设备120可以基于检测结果和权 重信息确定对象的身份信息130。作为示例，计算设备120可以将检 测结果和权重信息应用于身份识别模型(诸如，上文所述的CNN 140 包含的一个模型)，以确定对象的身份信息。CNN 140是基于参考图像中的参考检测结果与参考目标部位中的参考关键点的参考权重信 息以及预先标注的参考身份信息来训练得到的。以此方式，被遮挡的 部分实际上将不被或很少被计算设备120用于进行识别操作，从而降 低了计算设备120中的CNN 140出现误识别的可能性

应理解，本文描述的目标部位可以是对象的面部、眼睛、手(包 含指纹)中的至少一项，并且对象也不限于是人。还应理解，本文描 述的对象可以是人，也可以是动物或静物(例如商场摆放的商品)。 本公开的方案可以应用于多对象场景的身份或种类识别。具体来说， 本公开可以在动物园或牧场中的动物必经的区域识别每一只或每一 种动物，还可以在商场或工厂中的货物的运送通道或货架附近的区域 识别每一个或每一种商品或工业品，从而实现自动化的物流信息管 理。

通过以上方式，通过细化地确定每个关键点处的权重信息，本公 开可以滤除被遮挡的部分，从而提升图像识别的准确性。此外，由于 本公开可以应用于多行人、多动物等的场景，而无需工作人员介入， 故可以降低图像识别的时间和人力成本。这也就进一步降低了疫情期 间工作人员被感染的风险。

在某些实施例中，计算设备120可以获取关键点的温度信息，并 且至少基于关键点的温度信息和权重信息，确定目标部位的温度160。 作为示例，计算设备120可以获取针对目标部位的温度感测图像150。 温度感测图像150可以由诸如红外热成像设备的温度感测设备来获 取。通过将诸如红外热成像设备的温度感测设备和上文描述的图像获 取设备进行配准，从而实现两设备成像的像素级对齐。由此，计算设 备120可以从温度感测图像150中确定与关键点的位置对应的温度信 息。

应理解，此时获取的温度信息虽然可以作为计算温度150的依据， 但仍可能因环境等因素的影响而存在误差。因此，可以创建设置有温 度感测设备和图像获取设备的位置处的测量温度与实际温度之间的 函数关系。例如，可以基于先验知识通过最小二乘法拟合出该函数关 系。由此，计算设备120可以获取关键点的测量温度，并且基于测量 温度确定关键点的实际温度。此时由计算设备120确定的实际温度的 准备度被显著提升。

应理解，本文描述的目标部位可以是对象的面部、眼睛、手(包 含指纹)中的至少一项，并且对象也不限于是人。例如，计算设备120 在确定目标部位的温度后，可以将该温度与阈值温度进行比较，并且 当该温度高于阈值温度时进行报警。由于人体各部位的温度有差异， 故当被检测的是人的面部时，其对应的阈值温度可以被设置为不同于 人的手所对应的阈值温度。此外，当对动物园或者饲养场所中的动物 进行体温检测时，由于每种动物的体温通常不同，故也可以针对不同 类型的动物确定相应的阈值温度，从而实现不同动物的体温测试与报 警。

此外，本公开还提供了一种用于处理图像的系统500。如图5所 示，该系统包括图像采集模块510，该图像采集模块可以是诸如RGB 相机的图像感测设备以及诸如红外热成像设备的温度感测设备。该系 统500还可以包括与图像采集模块510通信连接的计算模块520，该 计算模块520用于上文所描述的各个方法和处理，例如过程300。此 外，该系统500可以包括输出展示模块530，用于向用户展示计算模 块520的处理结果。例如，输出展示模块530可以向用户展示被监控 对象的温度和/或身份信息。当被监控对象的体温高于预定阈值时，输 出展示模块530还可以用于发出报警信号。

以此方式，可以实现系统级的无接触测温和人脸识别，且在算力 需求不变的前提下显著提升测温和人脸识别的正确率。

在某些实施例中，系统500可以应用于多行人的测温场景。例如， 可以将系统500中的图像采集模块510应用于地铁或场馆入口，从而 实现实时监控经过入口的多个行人的体温信息。一旦发现行人的体温 高于预定阈值，输出展示模块530可以通过多种告警方式来锁定该行 人，并且计算模块520可以对该行人进行人脸识别，进而获取、记录 该行人的身份信息。以此方式，避免或者减少了安检防疫人员直接与 疑似患者的接触，并且测温过程简洁高效，不会人为造成拥堵。

在某些实施例中，系统500可以应用于养殖场或动物园。例如， 可以将系统500中的图像采集模块510应用于养殖场或动物园的最佳 视角，从而实现实时监控动物的体温信息。此外，计算模块520可以 对动物进行种类识别，从而确定经测温的动物的种类，并由此获取该 类动物的体温阈值。一旦发现动物的体温高于该阈值，输出展示模块 530可以通过多种告警方式来锁定该动物，便于工作人员对其进行治 疗或处理。以此方式，避免或者减少了工作人员直接与可能携带病菌 的动物的接触。

图6示出了根据本公开的实施例的用于处理图像的装置600的框 图。如图6所示，装置600可以包括：目标部位检测模块602，被配 置为对输入图像中的对象的目标部位进行检测；权重信息确定模块 604，被配置为基于目标部位的检测结果确定目标部位的关键点的权 重信息，权重信息指示关键点被遮挡的概率；以及身份信息确定模块 606，被配置为基于检测结果和权重信息，确定对象的身份信息。

在某些实施例中，身份信息确定模块606可以包括：权重信息应 用模块，被配置为将所述检测结果和所述权重信息应用于身份识别模 型，以确定所述对象的身份信息，所述身份识别模型是基于参考图像 中的参考检测结果与参考目标部位中的参考关键点的参考权重信息 以及预先标注的参考身份信息来训练得到的。

在某些实施例中，权重信息确定模块604可以包括：检测结果应 用模块，被配置为将所述目标部位的检测结果应用于权重确定模型， 以确定所述关键点的权重信息，所述权重确定模型是基于参考图像中 的参考目标部位以及所述参考目标部位中的参考关键点的参考权重 信息来训练得到的。

在某些实施例中，装置600还可以包括：温度信息获取模块，被 配置为获取所述关键点的温度信息；以及温度确定模块，被配置为至 少基于所述关键点的所述温度信息和所述权重信息，确定所述目标部 位的温度。

在某些实施例中，温度信息获取模块可以包括：温度感测图像获 取模块，被配置为获取针对所述目标部位的温度感测图像；以及对应 温度确定模块，被配置为从所述温度感测图像中确定与所述关键点的 位置对应的温度信息。

在某些实施例中，温度信息获取模块可以包括：测量温度获取模 块，被配置为获取所述关键点的测量温度；以及实际温度确定模块， 被配置为基于所述测量温度确定所述关键点的实际温度。

在某些实施例中，目标部位可以是对象的面部、眼睛、指纹中的 至少一项。

在某些实施例中，目标部位检测模块602可以包括：检测区域确 定模块，被配置为通过检测区域生成模型在所述输入图像中确定所述 目标部位的检测区域。

图7示出了能够实施本公开的多个实施例的计算设备700的框 图。设备700可以用于实现图1A和1B的计算设备120或者图2中 的计算设备220。如图所示，设备700包括中央处理单元(CPU)701， 其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者 从存储单元708加载到随机访问存储器(RAM)703中的计算机程序 指令，来执行各种适当的动作和处理。在RAM 703中，还可存储设 备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703 通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706， 例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器 等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网 卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/ 数据。

处理单元701执行上文所描述的各个方法和处理，例如过程300。 例如，在一些实施例中，过程300可被实现为计算机软件程序，其被 有形地包含于机器可读介质，例如存储单元708。在一些实施例中， 计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而 被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由 CPU 701执行时，可以执行上文描述的过程300的一个或多个步骤。 备选地，在其他实施例中，CPU 701可以通过其他任何适当的方式(例 如，借助于固件)而被配置为执行过程300。

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：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用 标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑 设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语 言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计 算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当 由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被 实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为 独立软件包部分地在机器上执行且部分地在远程机器上执行或完全 在远程机器或服务器上执行。

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。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求 这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示 的操作应被执行以取得期望的结果。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现中。相反 地，在单个实现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现中。

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。

Claims (19)

1.一种用于处理图像的方法，包括：

对输入图像中的对象的目标部位进行检测；

基于所述目标部位的检测结果确定所述目标部位的关键点的权重信息，所述权重信息指示所述关键点被遮挡的概率；以及

基于所述检测结果和所述权重信息，确定所述对象的身份信息。

2.根据权利要求1所述的方法，其中确定所述对象的身份信息包括：

将所述检测结果和所述权重信息应用于身份识别模型，以确定所述对象的身份信息，所述身份识别模型是基于参考图像中的参考检测结果与参考目标部位中的参考关键点的参考权重信息以及预先标注的参考身份信息来训练得到的。

3.根据权利要求1所述的方法，其中确定所述权重信息包括：

将所述目标部位的检测结果应用于权重确定模型，以确定所述关键点的权重信息，所述权重确定模型是基于参考图像中的参考目标部位以及所述参考目标部位中的参考关键点的参考权重信息来训练得到的。

4.根据权利要求1所述的方法，还包括：

获取所述关键点的温度信息；以及

至少基于所述关键点的所述温度信息和所述权重信息，确定所述目标部位的温度。

5.根据权利要求4所述的方法，其中获取所述关键点的温度信息包括：

获取针对所述目标部位的温度感测图像；以及

从所述温度感测图像中确定与所述关键点的位置对应的温度信息。

6.根据权利要求4所述的方法，其中获取所述关键点的温度信息包括：

获取所述关键点的测量温度；以及

基于所述测量温度确定所述关键点的实际温度。

7.根据权利要求1所述的方法，其中所述目标部位是所述对象的面部、眼睛、指纹中的至少一项。

8.根据权利要求1所述的方法，其中对所述目标部位进行检测包括：

通过检测区域生成模型在所述输入图像中确定所述目标部位的检测区域。

9.一种用于处理图像的装置，包括：

目标部位检测模块，被配置为对输入图像中的对象的目标部位进行检测；

权重信息确定模块，被配置为基于所述目标部位的检测结果确定所述目标部位的关键点的权重信息，所述权重信息指示所述关键点被遮挡的概率；以及

身份信息确定模块，被配置为基于所述检测结果和所述权重信息，确定所述对象的身份信息。

10.根据权利要求9所述的装置，其中所述身份信息确定模块包括：

权重信息应用模块，被配置为将所述检测结果和所述权重信息应用于身份识别模型，以确定所述对象的身份信息，所述身份识别模型是基于参考图像中的参考检测结果与参考目标部位中的参考关键点的参考权重信息以及预先标注的参考身份信息来训练得到的。

11.根据权利要求9所述的装置，其中所述权重信息确定模块包括：

检测结果应用模块，被配置为将所述目标部位的检测结果应用于权重确定模型，以确定所述关键点的权重信息，所述权重确定模型是基于参考图像中的参考目标部位以及所述参考目标部位中的参考关键点的参考权重信息来训练得到的。

12.根据权利要求9所述的装置，还包括：

温度信息获取模块，被配置为获取所述关键点的温度信息；以及

温度确定模块，被配置为至少基于所述关键点的所述温度信息和所述权重信息，确定所述目标部位的温度。

13.根据权利要求12所述的装置，其中所述温度信息获取模块包括：

温度感测图像获取模块，被配置为获取针对所述目标部位的温度感测图像；以及

对应温度确定模块，被配置为从所述温度感测图像中确定与所述关键点的位置对应的温度信息。

14.根据权利要求12所述的装置，其中所述温度信息获取模块包括：

测量温度获取模块，被配置为获取所述关键点的测量温度；以及

实际温度确定模块，被配置为基于所述测量温度确定所述关键点的实际温度。

15.根据权利要求9所述的装置，其中所述目标部位是所述对象的面部、眼睛、指纹中的至少一项。

16.根据权利要求9所述的装置，其中所述目标部位检测模块包括：

检测区域确定模块，被配置为通过检测区域生成模型在所述输入图像中确定所述目标部位的检测区域。

17.一种电子设备，所述电子设备包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-8任一项所述的方法。

19.一种用于处理图像的系统，包括：

图像采集模块，被配置为提供与对象的目标部位相关联的输入图像；

计算模块，与所述图像采集模块通信连接，所述计算模块被配置为实现如权利要求1-9任一项所述的方法；以及

输出展示模块，被配置为展示所述计算模块的处理结果。

Images