CN111695519A - 关键点定位方法、装置、设备以及存储介质 - Google Patents
关键点定位方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111695519A CN111695519A CN202010538339.2A CN202010538339A CN111695519A CN 111695519 A CN111695519 A CN 111695519A CN 202010538339 A CN202010538339 A CN 202010538339A CN 111695519 A CN111695519 A CN 111695519A
- Authority
- CN
- China
- Prior art keywords
- feature map
- image
- key point
- offset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 18
- 230000004807 localization Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本申请实施例公开了关键点定位方法、装置、设备以及存储介质,涉及人工智能、图像处理、深度学习技术领域。该方法的一具体实施方式包括:提取待定位图像的第一特征图和第二特征图,其中,第一特征图与第二特征图是不同的特征图;基于第一特征图,确定待定位图像中的关键点的初始位置;基于第二特征图,确定关键点的偏移量;将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。该实施方式使用不同的特征图分别对关键点进行粗略定位和精确定位,进而提高特征图对粗略定位和精确定位所关注的不同类型特征的学习能力,最终提升关键点定位的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能、深度学习、图像处理技术领域,尤其涉及关键点定位方法、装置、设备以及存储介质。
背景技术
人体关键点定位是指从图像中检测定位到人体关键部位的坐标位置,比如头、五官、颈、四肢等部位。该技术广泛应用于人体姿态、运动轨迹、动作角度等分析,能够辅助运动员进行体育训练,分析健身锻炼效果,提升教学效率。
目前,人体关键点定位的主要实现方案是使用深度神经网络作为特征图提取器,然后基于特征图生成关键点的热力图,最后根据热力图直接定位关键点的位置。
发明内容
本申请实施例提出了关键点定位方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种关键点定位方法,包括:提取待定位图像的第一特征图和第二特征图,其中,第一特征图与第二特征图是不同的特征图;基于第一特征图,确定待定位图像中的关键点的初始位置;基于第二特征图,确定关键点的偏移量;将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
第二方面,本申请实施例提出了一种关键点定位装置,包括:特征图提取模块,被配置成提取待定位图像的第一特征图和第二特征图,其中,第一特征图与第二特征图是不同的特征图;初始位置确定模块,被配置成基于第一特征图,确定待定位图像中的关键点的初始位置;偏移量确定模块,被配置成基于第二特征图,确定关键点的偏移量;最终位置生成模块,被配置成将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的关键点定位方法、装置、设备以及存储介质,首先提取待定位图像的第一特征图和第二特征图;然后基于第一特征图,确定待定位图像中的关键点的初始位置,以及基于第二特征图,确定关键点的偏移量;最后将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。使用不同的特征图分别对关键点进行粗略定位和精确定位,进而提高特征图对粗略定位和精确定位所关注的不同类型特征的学习能力,最终提升关键点定位的准确度。解决了直接基于热力图进行关键点定位存在误差的技术问题。该方案可应用于AI技术开放平台中,并且优于现有已开源的方案。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的关键点定位方法的一个实施例的流程图;
图3是根据本申请的关键点定位方法的又一个实施例的流程图;
图4是可以实现本申请实施例的关键点定位方法的场景图;
图5是根据本申请的关键点定位装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的关键点定位方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的关键点定位方法或关键点定位装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端应用,例如图像处理应用等等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是具有摄像头的各种电子设备,包括但不限于监控摄像头、智能设备等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如图像处理应用的后台服务器。图像处理应用的后台服务器可以对从终端设备101获取到的待定位图像等数据进行分析等处理,并将处理结果(例如关键点的最终位置)反馈给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的关键点定位方法一般由服务器103执行,相应地,关键点定位装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在服务器103中存储有待定位图像的情况下,系统架构100可以不设置终端设备101和网络102。此外,在终端设备101具备处理能力的情况下,本申请实施例所提供的关键点定位方法也可以由终端设备101执行,相应地,关键点定位装置也可以设置于终端设备101中。此时,系统架构100可以不设置网络102和服务器103。
继续参考图2,其示出了根据本申请的关键点定位方法的一个实施例的流程200。该关键点定位方法包括以下步骤:
步骤201,提取待定位图像的第一特征图和第二特征图。
在本实施例中,关键点定位方法的执行主体(例如图1所示的服务器103)可以获取待定位图像,以及提取待定位图像的第一特征图和第二特征图。
通常,上述执行主体可以从终端设备(例如图1所示的终端设备101)获取待定位图像。其中,终端设备可以是支持图像采集功能的各种电子设备,包括但不限于监控摄像头、智能设备等等。该关键点定位方法能够使终端设备具备获取更准确的关键点定位能力,从而进一步帮助下游应用分析,如动作识别、人体局部属性与表观特征分析等等。此外,在本地存储有待定位图像的情况下,上述执行主体可以获取本地存储的待定位图像。
实践中,第一特征图与第二特征图可以是不同的特征图。例如,利用两个独立的深度神经网络分别提取的两个特征图。又例如,利用一个深度神经网络的两个不同的卷积层分别提取的两个特征图。再例如,利用一个深度神经网络的两个独立的分支分别提取的两个特征图。
步骤202,基于第一特征图,确定待定位图像中的关键点的初始位置。
在本实施例中,上述执行主体可以基于第一特征图进行粗略定位,得到关键点的粗略位置。例如,对第一特征图中的特征进行分析,确定待定位图像中的关键点的初始位置。具体地,利用第一特征图中的较大尺度的全局语义特征,能够确定关键点的初始位置。其中,关键点可以是待定位图像中存在的目标的主要部位上的点。关键点的初始位置可以是关键点的粗略位置。以待定位图像中存在人体为例,其对应的关键点可以包括但不限于头、五官、颈、四肢等部位上的点。
步骤203,基于第二特征图,确定关键点的偏移量。
在本实施例中,上述执行主体可以基于第二特征图进行精确定位,得到关键点的精确偏移。例如,对第二特征图中的特征进行分析,确定待定位图像中的关键点的偏移量。具体地,利用第二特征图中的较小尺度的局部语义特征,能够确定关键点的偏移量。其中,关键点的偏移量可以是关键点的最终位置与初始位置之间的偏移。关键点的最终位置可以是关键点的精确位置。
步骤204,将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
在本实施例中,上述执行主体可以将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
本申请实施例提供的关键点定位方法,首先提取待定位图像的第一特征图和第二特征图;然后基于第一特征图,确定待定位图像中的关键点的初始位置,以及基于第二特征图,确定关键点的偏移量;最后将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。使用不同的特征图分别对关键点进行粗略定位和精确定位,进而提高特征图对粗略定位和精确定位所关注的不同类型特征的学习能力,最终提升关键点定位的准确度。解决了直接基于热力图进行关键点定位存在误差的技术问题。该方案可应用于AI技术开放平台中,并且优于现有已开源的方案。
进一步参考图3,其示出了根据本申请的关键点定位方法的又一个实施例的流程300。该关键点定位方法包括以下步骤:
步骤301,将待定位特征图输入至主网络,输出待定位图像的初始特征图。
在本实施例中,关键点定位方法的执行主体(例如图1所示的服务器103)可以利用一个深度神经网络的两个独立的分支分别提取两个特征图。通常,深度神经网络可以包括一个主网络,主网络中可以引申出第一子网络和第二子网络两个不同分支。首先,将待定位特征图输入至主网络,主网络能够输出待定位图像的初始特征图。其中,主网络可以包括大量卷积层。
步骤302,将初始特征图分别输入至第一子网络和第二子网络,输出第一特征图和第二特征图。
在本实施例中,上述执行主体可以将主网络输出的初始特征图分别输入至第一子网络和第二子网络,输出第一特征图和第二特征图。
其中,第一子网络与第二子网络可以是主网络的两个不同的分支。这两个分支可以包括大量卷积层,其结构可以相同,也可以不同。在结构相同的情况下,其参数一定不同,以保证两个分支输出两个不同的特征图。
步骤303,基于第一特征图,生成待定位图像中的关键点的热力图。
在本实施例中,上述执行主体可以基于第一特征图。生成待定位图像中的关键点的热力图。其中,热力图上的各个点的热力值可以用于表征其是关键点的概率。通常,热力值越大,对应的点是关键点的概率就越大。
步骤304,基于热力图上的点的热力值,确定关键点的初始位置。
在本实施例中,上述执行主体可以基于热力图上的点的热力值,确定关键点的初始位置。例如,上述执行主体可以将热力值大于预设阈值的点粗略确定为关键点,其在热力图上的位置即为关键点的初始位置。
在一些实施例中,将第一特征图经过1乘1卷积,即可得到热力图。其中,热力图的通道数与关键点的个数相同,且热力图的通道与关键点一一对应。在一个通道上响应值最大的点的位置就是对应的关键点的初始位置。
步骤305,基于关键点的初始位置,在第二特征图的对应位置上提取特征。
在本实施例中,上述执行主体可以根据关键点的初始位置,在第二特征图上查找对应位置,并在对应位置上提取特征。由于仅在对应位置上提取特征,得到的是关键点的局部语义特征。
步骤306,利用特征进行偏移量回归,得到关键点的偏移量。
在本实施例中,上述执行主体可以利用特征进行偏移量回归,得到关键点的偏移量。
其中,关键点的偏移量δ可以通过公式δ=func(F)得到。F是基于关键点的初始位置在第二特征图的对应位置上提取的特征。func是回归网络,其可以是1到2层的全连接层。
步骤307,将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
在本实施例中,步骤307具体操作已在图2所示的实施例中步骤204进行了详细的介绍,在此不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的关键点定位方法的流程300突出了特征图提取步骤和偏移量确定步骤。由此,在本实施例描述的方案中,利用同一深度神经网络的不同分支分别提取第一特征图和第二特征图,提取过程既包括相同的层又包括独立的层,能够使得两个特征图既存在一定的关联又存在一定的区别。此外,使用与粗略定位阶段不同的第二特征图进行关键点位置误差回归,实现对关键点的精确定位。
为了便于理解,下面提供可以实现本申请实施例的关键点定位方法的场景图。如图4所示,该场景包括特征图提取阶段401、粗略定位阶段402和精确定位阶段403。对于特征图提取阶段401,利用一个包含两个独立的分支的深度神经网络分别提取图像的第一特征图和第二特征图。对于粗略定位阶段402,基于第一特征图生成热力图,基于热力图上的点的热力值,确定关键点的粗略位置。对于精确定位阶段403,基于粗略位置在第二特征图的对应位置上提取特征,以及利用特征进行偏移量回归,得到偏移量。最后,将粗略位置与偏移量相加,即可得到精确位置。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种关键点定位装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的关键点定位装置500可以包括:特征图提取模块501、初始位置确定模块502、偏移量确定模块503和最终位置生成模块504。其中,特征图提取模块501,被配置成提取待定位图像的第一特征图和第二特征图,其中,第一特征图与第二特征图是不同的特征图;初始位置确定模块502,被配置成基于第一特征图,确定待定位图像中的关键点的初始位置;偏移量确定模块503,被配置成基于第二特征图,确定关键点的偏移量;最终位置生成模块504,被配置成将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。
在本实施例中,关键点定位装置500中:特征图提取模块501、初始位置确定模块502、偏移量确定模块503和最终位置生成模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,特征图提取模块501进一步被配置成:将待定位特征图输入至主网络,输出待定位图像的初始特征图;将初始特征图分别输入至第一子网络和第二子网络,输出第一特征图和第二特征图,其中,第一子网络与第二子网络是主网络的两个不同的分支。
在本实施例的一些可选的实现方式中,初始位置确定模块502包括:热力图生成子模块(图中未示出),被配置成基于第一特征图,生成待定位图像中的关键点的热力图;初始位置确定子模块(图中未示出),被配置成基于热力图上的点的热力值,确定关键点的初始位置。
在本实施例的一些可选的实现方式中,热力图生成子模块进一步被配置成:将第一特征图经过1乘1卷积,得到热力图,其中,热力图的通道与关键点一一对应。
在本实施例的一些可选的实现方式中,偏移量确定模块503进一步被配置成:基于关键点的初始位置,在第二特征图的对应位置上提取特征;利用特征进行偏移量回归,得到关键点的偏移量。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例关键点定位方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的关键点定位方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的关键点定位方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的关键点定位方法对应的程序指令/模块(例如,附图5所示的特征图提取模块501、初始位置确定模块502、偏移量确定模块503和最终位置生成模块504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的关键点定位方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据关键点定位方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至关键点定位方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
关键点定位方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与关键点定位方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先提取待定位图像的第一特征图和第二特征图;然后基于第一特征图,确定待定位图像中的关键点的初始位置,以及基于第二特征图,确定关键点的偏移量;最后将关键点的初始位置与关键点的偏移量相加,得到关键点的最终位置。使用不同的特征图分别对关键点进行粗略定位和精确定位,进而提高特征图对粗略定位和精确定位所关注的不同类型特征的学习能力,最终提升关键点定位的准确度。解决了直接基于热力图进行关键点定位存在误差的技术问题。该方案可应用于AI技术开放平台中,并且优于现有已开源的方案。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种关键点定位方法,包括:
提取待定位图像的第一特征图和第二特征图,其中,所述第一特征图与所述第二特征图是不同的特征图;
基于所述第一特征图,确定所述待定位图像中的关键点的初始位置;
基于所述第二特征图,确定所述关键点的偏移量;
将所述关键点的初始位置与所述关键点的偏移量相加,得到所述关键点的最终位置。
2.根据权利要求1所述的方法,其中,所述提取待定位图像的第一特征图和第二特征图,包括:
将所述待定位特征图输入至主网络,输出所述待定位图像的初始特征图;
将所述初始特征图分别输入至第一子网络和第二子网络,输出所述第一特征图和所述第二特征图,其中,所述第一子网络与所述第二子网络是所述主网络的两个不同的分支。
3.根据权利要求1所述的方法,其中,所述基于所述第一特征图,确定所述待定位图像中的关键点的初始位置,包括:
基于所述第一特征图,生成所述待定位图像中的关键点的热力图;
基于所述热力图上的点的热力值,确定所述关键点的初始位置。
4.根据权利要求3所述的方法,其中,所述基于所述第一特征图,生成所述待定位图像中的关键点的热力图,包括:
将所述第一特征图经过1乘1卷积,得到所述热力图,其中,所述热力图的通道与所述关键点一一对应。
5.根据权利要求1所述的方法,其中,所述基于所述第二特征图,确定所述关键点的偏移量,包括:
基于所述关键点的初始位置,在所述第二特征图的对应位置上提取特征;
利用所述特征进行偏移量回归,得到所述关键点的偏移量。
6.一种关键点定位装置,包括:
特征图提取模块,被配置成提取待定位图像的第一特征图和第二特征图,其中,所述第一特征图与所述第二特征图是不同的特征图;
初始位置确定模块,被配置成基于所述第一特征图,确定所述待定位图像中的关键点的初始位置;
偏移量确定模块,被配置成基于所述第二特征图,确定所述关键点的偏移量;
最终位置生成模块,被配置成将所述关键点的初始位置与所述关键点的偏移量相加,得到所述关键点的最终位置。
7.根据权利要求6所述的装置,其中,所述特征图提取模块进一步被配置成:
将所述待定位特征图输入至主网络,输出所述待定位图像的初始特征图;
将所述初始特征图分别输入至第一子网络和第二子网络,输出所述第一特征图和所述第二特征图,其中,所述第一子网络与所述第二子网络是所述主网络的两个不同的分支。
8.根据权利要求6所述的装置,其中,所述初始位置确定模块包括:
热力图生成子模块,被配置成基于所述第一特征图,生成所述待定位图像中的关键点的热力图;
初始位置确定子模块,被配置成基于所述热力图上的点的热力值,确定所述关键点的初始位置。
9.根据权利要求8所述的装置,其中,所述热力图生成子模块进一步被配置成:
将所述第一特征图经过1乘1卷积,得到所述热力图,其中,所述热力图的通道与所述关键点一一对应。
10.根据权利要求6所述的方法,其中,所述偏移量确定模块进一步被配置成:
基于所述关键点的初始位置,在所述第二特征图的对应位置上提取特征;
利用所述特征进行偏移量回归,得到所述关键点的偏移量。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538339.2A CN111695519B (zh) | 2020-06-12 | 2020-06-12 | 关键点定位方法、装置、设备以及存储介质 |
JP2021039045A JP7194215B2 (ja) | 2020-06-12 | 2021-03-11 | キーポイントの特定方法及び装置、機器、記憶媒体 |
KR1020210032551A KR102584074B1 (ko) | 2020-06-12 | 2021-03-12 | 키포인트 위치결정 방법, 장치, 전자 기기, 저장 매체 및 프로그램 |
EP21162696.5A EP3869402B1 (en) | 2020-06-12 | 2021-03-15 | Method and apparatus for positioning a key point, device, storage medium and computer program product |
US17/201,665 US11610389B2 (en) | 2020-06-12 | 2021-03-15 | Method and apparatus for positioning key point, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538339.2A CN111695519B (zh) | 2020-06-12 | 2020-06-12 | 关键点定位方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695519A true CN111695519A (zh) | 2020-09-22 |
CN111695519B CN111695519B (zh) | 2023-08-08 |
Family
ID=72480804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010538339.2A Active CN111695519B (zh) | 2020-06-12 | 2020-06-12 | 关键点定位方法、装置、设备以及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11610389B2 (zh) |
EP (1) | EP3869402B1 (zh) |
JP (1) | JP7194215B2 (zh) |
KR (1) | KR102584074B1 (zh) |
CN (1) | CN111695519B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132054A (zh) * | 2020-09-24 | 2020-12-25 | 重庆邮电大学 | 一种基于深度学习的文档定位和分割方法 |
CN112784743A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 关键点的识别方法、装置及存储介质 |
CN114511613A (zh) * | 2020-11-16 | 2022-05-17 | 阿里巴巴集团控股有限公司 | 关键点检测方法、模型训练方法、装置、设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695519B (zh) * | 2020-06-12 | 2023-08-08 | 北京百度网讯科技有限公司 | 关键点定位方法、装置、设备以及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447490A (zh) * | 2015-11-19 | 2016-03-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
US20160155235A1 (en) * | 2014-11-28 | 2016-06-02 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer-readable medium |
CN108229445A (zh) * | 2018-02-09 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于级联金字塔网络的多人姿态估计方法 |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
US20180260678A1 (en) * | 2017-03-10 | 2018-09-13 | Capital One Services, Llc | Systems and methods for capturing visible information |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 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 |
EP3493106A1 (en) * | 2017-12-03 | 2019-06-05 | Facebook, Inc. | Optimizations for dynamic object instance detection, segmentation, and structure mapping |
CN110147776A (zh) * | 2019-05-24 | 2019-08-20 | 北京百度网讯科技有限公司 | 确定人脸关键点位置的方法和装置 |
CN110705365A (zh) * | 2019-09-06 | 2020-01-17 | 北京达佳互联信息技术有限公司 | 一种人体关键点检测方法、装置、电子设备及存储介质 |
CN110738110A (zh) * | 2019-09-11 | 2020-01-31 | 北京迈格威科技有限公司 | 基于锚点的人脸关键点检测方法、装置、系统和存储介质 |
US10600210B1 (en) * | 2019-07-25 | 2020-03-24 | Second Spectrum, Inc. | Data processing systems for real-time camera parameter estimation |
CN110930454A (zh) * | 2019-11-01 | 2020-03-27 | 北京航空航天大学 | 一种基于边界框外关键点定位的六自由度位姿估计算法 |
US20200126251A1 (en) * | 2018-10-19 | 2020-04-23 | Here Global B.V. | Method and apparatus for iteratively establishing object position |
WO2020098225A1 (zh) * | 2018-11-16 | 2020-05-22 | 北京市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 |
CN111191622A (zh) * | 2020-01-03 | 2020-05-22 | 华南师范大学 | 基于热力图和偏移向量的姿态识别方法、系统及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10095957B2 (en) * | 2016-03-15 | 2018-10-09 | Tata Consultancy Services Limited | Method and system for unsupervised word image clustering |
JP6842039B2 (ja) * | 2017-03-02 | 2021-03-17 | 富士通株式会社 | カメラ位置姿勢推定装置、方法およびプログラム |
US11019364B2 (en) * | 2019-03-23 | 2021-05-25 | Uatc, Llc | Compression of images having overlapping fields of view using machine-learned models |
CN111104925B (zh) | 2019-12-30 | 2022-03-11 | 上海商汤临港智能科技有限公司 | 图像处理方法、装置、存储介质和电子设备 |
CN111291631B (zh) * | 2020-01-17 | 2023-11-07 | 北京市商汤科技开发有限公司 | 视频分析方法及其相关的模型训练方法、设备、装置 |
CN111695519B (zh) * | 2020-06-12 | 2023-08-08 | 北京百度网讯科技有限公司 | 关键点定位方法、装置、设备以及存储介质 |
CN114648747A (zh) * | 2022-03-30 | 2022-06-21 | 上海商汤临港智能科技有限公司 | 目标检测、行驶控制方法、装置、电子设备及存储介质 |
CN114898190A (zh) * | 2022-04-19 | 2022-08-12 | 北京沃东天骏信息技术有限公司 | 一种图像处理方法和装置 |
-
2020
- 2020-06-12 CN CN202010538339.2A patent/CN111695519B/zh active Active
-
2021
- 2021-03-11 JP JP2021039045A patent/JP7194215B2/ja active Active
- 2021-03-12 KR KR1020210032551A patent/KR102584074B1/ko active IP Right Grant
- 2021-03-15 US US17/201,665 patent/US11610389B2/en active Active
- 2021-03-15 EP EP21162696.5A patent/EP3869402B1/en active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160155235A1 (en) * | 2014-11-28 | 2016-06-02 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer-readable medium |
CN105447490A (zh) * | 2015-11-19 | 2016-03-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
US20180260678A1 (en) * | 2017-03-10 | 2018-09-13 | Capital One Services, Llc | Systems and methods for capturing visible information |
EP3493106A1 (en) * | 2017-12-03 | 2019-06-05 | Facebook, Inc. | Optimizations for dynamic object instance detection, segmentation, and structure mapping |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN108229445A (zh) * | 2018-02-09 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于级联金字塔网络的多人姿态估计方法 |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
US20200126251A1 (en) * | 2018-10-19 | 2020-04-23 | Here Global B.V. | Method and apparatus for iteratively establishing object position |
WO2020098225A1 (zh) * | 2018-11-16 | 2020-05-22 | 北京市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 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 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 |
CN110147776A (zh) * | 2019-05-24 | 2019-08-20 | 北京百度网讯科技有限公司 | 确定人脸关键点位置的方法和装置 |
US10600210B1 (en) * | 2019-07-25 | 2020-03-24 | Second Spectrum, Inc. | Data processing systems for real-time camera parameter estimation |
CN110705365A (zh) * | 2019-09-06 | 2020-01-17 | 北京达佳互联信息技术有限公司 | 一种人体关键点检测方法、装置、电子设备及存储介质 |
CN110738110A (zh) * | 2019-09-11 | 2020-01-31 | 北京迈格威科技有限公司 | 基于锚点的人脸关键点检测方法、装置、系统和存储介质 |
CN110930454A (zh) * | 2019-11-01 | 2020-03-27 | 北京航空航天大学 | 一种基于边界框外关键点定位的六自由度位姿估计算法 |
CN111191622A (zh) * | 2020-01-03 | 2020-05-22 | 华南师范大学 | 基于热力图和偏移向量的姿态识别方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
ZE YANG 等: "Reppoint:Point Set Representation for Object Detection", PROCEEDINGS OF THE IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION(ICCV), pages 9657 - 9666 * |
陈嫒嫒 等: "基于关键点的服装检索", 计算机应用, vol. 37, no. 11, pages 3249 - 3255 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132054A (zh) * | 2020-09-24 | 2020-12-25 | 重庆邮电大学 | 一种基于深度学习的文档定位和分割方法 |
CN114511613A (zh) * | 2020-11-16 | 2022-05-17 | 阿里巴巴集团控股有限公司 | 关键点检测方法、模型训练方法、装置、设备和存储介质 |
CN112784743A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 关键点的识别方法、装置及存储介质 |
CN112784743B (zh) * | 2021-01-21 | 2023-08-04 | 北京百度网讯科技有限公司 | 关键点的识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11610389B2 (en) | 2023-03-21 |
KR20210035787A (ko) | 2021-04-01 |
JP7194215B2 (ja) | 2022-12-21 |
JP2021197157A (ja) | 2021-12-27 |
US20210390731A1 (en) | 2021-12-16 |
EP3869402B1 (en) | 2023-05-17 |
CN111695519B (zh) | 2023-08-08 |
KR102584074B1 (ko) | 2023-10-04 |
EP3869402A1 (en) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN112528850B (zh) | 人体识别方法、装置、设备和存储介质 | |
CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
CN111708922A (zh) | 用于表示异构图节点的模型生成方法及装置 | |
CN111582375B (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN111709874A (zh) | 图像调整的方法、装置、电子设备及存储介质 | |
CN111783948A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
CN111860167A (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN111640103B (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
US20210264155A1 (en) | Visual positioning method and apparatus, and computer-readable storage medium | |
CN111666771B (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN111695516B (zh) | 热力图的生成方法、装置及设备 | |
CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN111241838A (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111708477A (zh) | 按键识别方法、装置、设备以及存储介质 | |
CN111753964A (zh) | 神经网络的训练方法和装置 | |
CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
CN111967481B (zh) | 视觉定位方法、装置、电子设备及存储介质 | |
CN112577524A (zh) | 信息校正方法和装置 | |
CN112488126A (zh) | 特征图处理方法、装置、设备以及存储介质 | |
CN111767990A (zh) | 神经网络的处理方法和装置 | |
CN116167426A (zh) | 人脸关键点定位模型的训练方法及人脸关键点定位方法 |
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 |