CN111695628B - 关键点标注方法、装置、电子设备及存储介质 - Google Patents
关键点标注方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111695628B CN111695628B CN202010530847.6A CN202010530847A CN111695628B CN 111695628 B CN111695628 B CN 111695628B CN 202010530847 A CN202010530847 A CN 202010530847A CN 111695628 B CN111695628 B CN 111695628B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- image
- dimensional
- marked
- target object
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了关键点标注方法、装置、电子设备及存储介质,涉及人工智能及深度学习领域。具体实现方案为:获取包含目标物体的待标注图像;从预先保存的多个三维模型中,获取与该目标物体的匹配度最高的第一三维模型;将该第一三维模型覆盖在该待标注图像上,并旋转该第一三维模型;在该第一三维模型的渲染图像与该待标注图像中的目标物体的重合面积最大时,获取该第一三维模型的旋转角度;根据该第一三维模型上的参考关键点及该旋转角度,确定参考关键点在该待标注图像中的坐标。本申请实施例能够节约关键点标注的时间和人力成本,并且能够提升关键点标注的精度和可靠性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能及深度学习领域。
背景技术
深度学习是利用计算机的数据处理优势,利用大的数据训练某一类型的识别模型,最终使识别模型获取高效的数据特征识别能力和分类能力。针对不同目的的识别模型进行数据训练,需要大量与识别目的的相关的数据集。现有技术中经常采用有监督学习提高识别模型的学习效率和识别效果。有监督模型需要识别对象的特征样本,即需要在数据集中提供被识别对象的标注样本数据,标注样本数据的准确度关系到深度学习的最终效果。目前大部分的样本数据采用人工标注,例如,为了完成鞋子的关键点检测,通常由人工进行鞋子的关键点标注。由于鞋子存在严重的遮挡问题,在旋转一定角度后鞋子的一多半部分均处于不可见状态;这种情况导致人工标注的关键点会出现较大的偏差,限制了后续模型训练精度的进一步提升。
发明内容
本申请提供了一种用于关键点标注方法、装置、电子设备及存储介质。
根据本申请的一方面,提供了一种关键点标注方法,包括:
获取包含目标物体的待标注图像;
从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型;
将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型;在所述第一三维模型的渲染图像与所述待标注图像中的目标物体的重合面积最大时,获取所述第一三维模型的旋转角度;
根据所述第一三维模型上的参考关键点及所述旋转角度,确定所述参考关键点在所述待标注图像中的坐标。
根据本申请的另一方面,提供了一种关键点标注装置,包括:
待标注图像获取模块,用于获取包含目标物体的待标注图像;
三维模型获取模块,用于从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型;
调整模块,用于将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型;在所述第一三维模型的渲染图像与所述待标注图像中的目标物体的重合面积最大时,获取所述第一三维模型的旋转角度;
标注模块,用于根据所述第一三维模型上的参考关键点及所述旋转角度,确定所述参考关键点在所述待标注图像中的坐标。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行关键点标注方法中任一项所述的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行关键点标注方法中任一项所述的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术能够节约关键点标注的时间和人力成本,并且能够提升关键点标注的精度和可靠性。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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
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是本申请实施例的一种关键点标注方法实现流程图;
图2是本申请实施例的另一种关键点标注方法实现流程图;
图3是本申请实施例的一个三维模型示意图;
图4A是本申请实施例的另一个三维模型示意图一;
图4B是本申请实施例的另一个三维模型示意图二;
图5是本申请实施例中步骤S102的实现流程图;
图6是本申请实施例的一种三维模型的旋转轨迹示意图;
图7是本申请实施例的一种第一三维模型与目标物体最大程序吻合的示意图;
图8是本申请实施例的一种关键点标注装置结构示意图;
图9是本申请实施例的另一种关键点标注装置结构示意图;
图10是用来实现本申请实施例的关键点标注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。
本申请实施例提出一种关键点标注方法,图1是本申请实施例的一种关键点标注方法实现流程图,包括:
步骤S101:获取包含目标物体的待标注图像;
步骤S102:从预先保存的多个三维模型中,获取与该目标物体的匹配度最高的第一三维模型;
步骤S103:将该第一三维模型覆盖在该待标注图像上,并旋转该第一三维模型;在该第一三维模型的渲染图像与该待标注图像中的目标物体的重合面积最大时,获取该第一三维模型的旋转角度;
步骤S104:根据该第一三维模型上的参考关键点及该旋转角度,确定参考关键点在该待标注图像中的坐标。
在一些实施方式中,上述待标注图像是二维图像。可选地,上述目标物体包括形状固定的物体,例如鞋子。
图2是本申请实施例的另一种关键点标注方法实现流程图,如图2所示,本实施例在上述步骤S101之前可以进一步包括:
步骤S201:预先保存多个三维模型,并记录每个三维模型上的至少一个参考关键点。
可选地,三维模型上的参考关键点的坐标采用三维坐标,如(x,y,z)的形式表示。在步骤S104中确定出关键点在待标注图像中的坐标采用二维坐标,如(x,y)的形式表示。
以下以目标物体为鞋子为例介绍本申请实施例。上述目标物体也可以是其他形状固定的物体,本申请实施例对目标物体的类型不做限制。
在一些实施方式中,首先预先选取一系列有代表性的鞋子的三维(3D,3-dimension)模型,并将选取的三维模型进行标准化;之后在标准化之后的三维模型上定义出要标注的关键点,本申请实施例将这些关键点称为参考关键点。
图3是本申请实施例的一个三维模型示意图,在该三维模型中标注了8个参考关键点。图4A和图4B是本申请实施例的另一个三维模型示意图,在该三维模型中标注了8个参考关键点,图4A和图4B分别为同一个三维模型不同角度的显示图像。在图3、图4A和图4B中,数字0至7标注的位置为参考关键点,由于是三维立体模型,在鞋子的各个位置均可以标注参考关键点。在图3、图4A和图4B中标注的参考关键点仅为示例,本申请实施例可以在鞋子的任一位置标注参考关键点,并且本申请实施例对标注的参考关键点的数量不做限制。
本申请实施例可以预先保存多个三维模型,以便为各种形状的目标物体进行关键点标注。在一些实施方式中,首先为用户(或称为标注员)显示预先保存的多个三维模型。在需要对待标注图像标注关键点时,用户首先从显示的多个三维模型中选取与待标注图像中的目标物体匹配度最高的一个三维模型,并发出针对该三维模型的模型选择指令。例如,用户可以点击选取的三维模型的图像,该点击操作即可作为针对该三维模型的模型选择指令。图5为本申请实施例中步骤S102的实现流程图,在一种实施方式中,步骤S102包括:
步骤S501:显示预先保存的多个三维模型;
步骤S502:接收模型选择指令;
步骤S503:根据该模型选择指令,获取与目标物体的匹配度最高的第一三维模型。
其中,上述模型选择指令可以为用户发出的指令,例如,用户对选取的三维模型的单击、双击、拖拽等操作,用户可以通过发送简单的指令选择匹配的三维模型。
上述获取的三维模型(即第一三维模型)能够支持不同角度的旋转,图6是本申请实施例的一种三维模型的旋转轨迹示意图。图6中的弧线为该三维模型的旋转轨迹,根据用户的旋转指令,可以将该三维模型按照旋转轨迹在不同角度进行旋转,并能够记录旋转角度。
选取上述第一三维模型之后,用户(或称标注员)可以拖拽该第一三维模型,将该第一三维模型覆盖在待标注图像中的目标物体上。通过调整第一三维模型,可以使第一三维模型与目标物体能够最大程序吻合,例如使二者重合的面积最大。并且,用户还可以通过快捷键切换不同的预定义三维模型,以便获取更佳的匹配度。
可选地,上述步骤103中的将第一三维模型覆盖在该待标注图像上,并旋转该第一三维模型可以包括:
接收针对该第一三维模型的拖拽指令及旋转指令;
根据该拖拽指令拖拽第一三维模型,使第一三维模型覆盖在待标注图像上;并根据旋转指令旋转第一三维模型。
图7是本申请实施例的一种第一三维模型与目标物体最大程序吻合的示意图。如图7所示,通过拖拽及调整第一三维模型,最终使得该第一三维模型与目标物体的重合面积最大,此时二者最大程度吻合。图7的左上角显示了该第一三维模型的旋转角度,包括yaw:-86,pitch:4,roll:-59;表示偏航角为-86,俯仰角为4,翻滚角为-59。
旋转角度还可以用旋转矩阵表示,例如,以下是一个4*4的旋转矩阵的示例。
由于选定参考关键点之后,这些参考关键点在待标注图像上的位置可以由预先设置的程序一次性生成的(所需时间小于1ms),相比于人工标注参考关键点的时间(人工标注一个参考关键点的时间约为5s),几乎可以忽略不计;并且不会随参考关键点的个数增多而使成本大幅攀升。而且,对齐后被遮挡参考关键点的坐标也是通过计算得到的,不会因标注员估计而产生偏差,保证了标注的精度和可靠性。
本申请实施例还提出一种关键点标注装置,图8是本申请实施例的一种关键点标注装置结构示意图,包括:
待标注图像获取模块810,用于获取包含目标物体的待标注图像;
三维模型获取模块820,用于从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型;
调整模块830,用于将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型;在所述第一三维模型的渲染图像与所述待标注图像中的目标物体的重合面积最大时,获取所述第一三维模型的旋转角度;
标注模块840,用于根据所述第一三维模型上的参考关键点及所述旋转角度,确定所述参考关键点在所述待标注图像中的坐标。
图9是本申请实施例的另一种关键点标注装置结构示意图,如图9所示,在一些实施方式中,上述装置还包括:
保存模块950,用于保存多个三维模型,并记录每个所述三维模型上的至少一个参考关键点。
如图9所示,在一些实施方式中,上述三维模型获取模块820包括:
显示子模块821,用于显示所述预先保存的多个三维模型;
第一接收子模块822,用于接收模型选择指令;
获取子模块823,用于根据所述模型选择指令,获取与所述目标物体的匹配度最高的第一三维模型。
如图9所示,在一些实施方式中,上述调整模块830包括:
第二接收子模块831,用于接收针对所述第一三维模型的拖拽指令及旋转指令;
调整子模块832,用于根据所述拖拽指令拖拽所述第一三维模型,使所述第一三维模型覆盖在所述待标注图像上;并根据所述旋转指令旋转所述第一三维模型。
上述实施例中,旋转角度可以采用旋转矩阵表示。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图10所示,是根据本申请实施例的关键点标注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10所示,该电子设备包括:一个或多个处理器1001、存储器1002,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10中以一个处理器1001为例。
存储器1002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标注方法。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标注方法。
存储器1002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标注方法对应的程序指令/模块(例如,附图8所示的待标注图像获取模块810、三维模型获取模块820、调整模块830和标注模块840)。处理器1001通过运行存储在存储器1002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标注方法。
存储器1002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标注的电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001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标注的电子设备。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。
关键点标注方法的电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与关键点标注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1004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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,能够节约关键点标注的时间和人力成本,并且能够提升关键点标注的精度和可靠性,有利于后续机器学习模型训练精度的进一步提升。
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 (10)
1.一种关键点标注方法,包括:
获取包含目标物体的待标注图像;
从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型;
将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型;在所述第一三维模型的渲染图像与所述待标注图像中的目标物体的重合面积最大时,获取所述第一三维模型的旋转角度;
根据所述第一三维模型上的参考关键点及所述旋转角度,确定所述参考关键点在所述待标注图像中的坐标。
2.根据权利要求1所述的方法,还包括:
预先保存多个三维模型,并记录每个所述三维模型上的至少一个参考关键点。
3.根据权利要求1或2所述的方法,其中,所述从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型,包括:
显示所述预先保存的多个三维模型;
接收模型选择指令;
根据所述模型选择指令,获取与所述目标物体的匹配度最高的第一三维模型。
4.根据权利要求1或2所述的方法,其中,所述将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型,包括:
接收针对所述第一三维模型的拖拽指令及旋转指令;
根据所述拖拽指令拖拽所述第一三维模型,使所述第一三维模型覆盖在所述待标注图像上;并根据所述旋转指令旋转所述第一三维模型。
5.一种关键点标注装置,包括:
待标注图像获取模块,用于获取包含目标物体的待标注图像;
三维模型获取模块,用于从预先保存的多个三维模型中,获取与所述目标物体的匹配度最高的第一三维模型;
调整模块,用于将所述第一三维模型覆盖在所述待标注图像上,并旋转所述第一三维模型;在所述第一三维模型的渲染图像与所述待标注图像中的目标物体的重合面积最大时,获取所述第一三维模型的旋转角度;
标注模块,用于根据所述第一三维模型上的参考关键点及所述旋转角度,确定所述参考关键点在所述待标注图像中的坐标。
6.根据权利要求5所述的装置,还包括:
保存模块,用于保存多个三维模型,并记录每个所述三维模型上的至少一个参考关键点。
7.根据权利要求5或6所述的装置,其中,所述三维模型获取模块包括:
显示子模块,用于显示所述预先保存的多个三维模型;
第一接收子模块,用于接收模型选择指令;
获取子模块,用于根据所述模型选择指令,获取与所述目标物体的匹配度最高的第一三维模型。
8.根据权利要求5或6所述的装置,其中,所述调整模块包括:
第二接收子模块,用于接收针对所述第一三维模型的拖拽指令及旋转指令;
调整子模块,用于根据所述拖拽指令拖拽所述第一三维模型,使所述第一三维模型覆盖在所述待标注图像上;并根据所述旋转指令旋转所述第一三维模型。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530847.6A CN111695628B (zh) | 2020-06-11 | 2020-06-11 | 关键点标注方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530847.6A CN111695628B (zh) | 2020-06-11 | 2020-06-11 | 关键点标注方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695628A CN111695628A (zh) | 2020-09-22 |
CN111695628B true CN111695628B (zh) | 2023-05-05 |
Family
ID=72480451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530847.6A Active CN111695628B (zh) | 2020-06-11 | 2020-06-11 | 关键点标注方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695628B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183657B (zh) * | 2020-10-14 | 2022-03-01 | 北京字跳网络技术有限公司 | 获取标注信息的方法、装置、电子设备和计算机可读介质 |
CN112270242B (zh) * | 2020-10-22 | 2024-05-17 | 北京字跳网络技术有限公司 | 轨迹的显示方法、装置、可读介质和电子设备 |
CN112164143A (zh) * | 2020-10-23 | 2021-01-01 | 广州小马慧行科技有限公司 | 三维模型的构建方法、构建装置、处理器和电子设备 |
CN112562063B (zh) * | 2020-12-08 | 2024-07-02 | 上饶市纯白数字科技有限公司 | 用于对物体进行立体尝试的方法、装置、设备及存储介质 |
CN112562047B (zh) * | 2020-12-16 | 2024-01-19 | 北京百度网讯科技有限公司 | 三维模型的控制方法、装置、设备以及存储介质 |
CN114757250A (zh) * | 2020-12-29 | 2022-07-15 | 华为云计算技术有限公司 | 一种图像处理方法以及相关设备 |
CN113012281B (zh) * | 2021-03-25 | 2024-02-13 | 北京百度网讯科技有限公司 | 人体模型的确定方法、装置、电子设备及存储介质 |
CN114120414B (zh) * | 2021-11-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和介质 |
CN117095131B (zh) * | 2023-10-16 | 2024-02-06 | 广州紫为云科技有限公司 | 物体运动关键点的三维重建方法、设备及存储介质 |
CN117423109A (zh) * | 2023-10-31 | 2024-01-19 | 北京代码空间科技有限公司 | 一种图像关键点标注方法及其相关设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071473A (zh) * | 2006-03-07 | 2007-11-14 | 株式会社东芝 | 检测特征点的设备及检测特征点的方法 |
CN104899563A (zh) * | 2015-05-29 | 2015-09-09 | 深圳大学 | 一种二维人脸关键特征点定位方法及系统 |
CN105809096A (zh) * | 2014-12-31 | 2016-07-27 | 中兴通讯股份有限公司 | 人物标注方法和终端 |
CN107423689A (zh) * | 2017-06-23 | 2017-12-01 | 中国科学技术大学 | 智能交互式人脸关键点标注方法 |
CN107491767A (zh) * | 2017-08-31 | 2017-12-19 | 广州云从信息科技有限公司 | 端到端的无约束人脸关键点检测方法 |
CN107832751A (zh) * | 2017-12-15 | 2018-03-23 | 北京奇虎科技有限公司 | 人脸特征点的标注方法、装置及计算设备 |
CN108876934A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 关键点标注方法、装置和系统及存储介质 |
CN108961149A (zh) * | 2017-05-27 | 2018-12-07 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN109064549A (zh) * | 2018-07-16 | 2018-12-21 | 中南大学 | 标志点检测模型生成方法及标志点检测方法 |
CN109086798A (zh) * | 2018-07-03 | 2018-12-25 | 迈吉客科技(北京)有限公司 | 一种数据标注方法和标注装置 |
CN109816704A (zh) * | 2019-01-28 | 2019-05-28 | 北京百度网讯科技有限公司 | 物体的三维信息获取方法和装置 |
CN109961471A (zh) * | 2017-12-14 | 2019-07-02 | 北京猎户星空科技有限公司 | 一种图像中物体位置的标注方法、装置及电子设备 |
CN110020600A (zh) * | 2019-03-05 | 2019-07-16 | 厦门美图之家科技有限公司 | 生成用于训练人脸对齐模型的数据集的方法 |
CN110163048A (zh) * | 2018-07-10 | 2019-08-23 | 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 |
CN111178266A (zh) * | 2019-12-30 | 2020-05-19 | 北京华捷艾米科技有限公司 | 一种生成人脸关键点的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9489765B2 (en) * | 2013-11-18 | 2016-11-08 | Nant Holdings Ip, Llc | Silhouette-based object and texture alignment, systems and methods |
-
2020
- 2020-06-11 CN CN202010530847.6A patent/CN111695628B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071473A (zh) * | 2006-03-07 | 2007-11-14 | 株式会社东芝 | 检测特征点的设备及检测特征点的方法 |
CN105809096A (zh) * | 2014-12-31 | 2016-07-27 | 中兴通讯股份有限公司 | 人物标注方法和终端 |
CN104899563A (zh) * | 2015-05-29 | 2015-09-09 | 深圳大学 | 一种二维人脸关键特征点定位方法及系统 |
CN108961149A (zh) * | 2017-05-27 | 2018-12-07 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN107423689A (zh) * | 2017-06-23 | 2017-12-01 | 中国科学技术大学 | 智能交互式人脸关键点标注方法 |
CN107491767A (zh) * | 2017-08-31 | 2017-12-19 | 广州云从信息科技有限公司 | 端到端的无约束人脸关键点检测方法 |
CN109961471A (zh) * | 2017-12-14 | 2019-07-02 | 北京猎户星空科技有限公司 | 一种图像中物体位置的标注方法、装置及电子设备 |
CN107832751A (zh) * | 2017-12-15 | 2018-03-23 | 北京奇虎科技有限公司 | 人脸特征点的标注方法、装置及计算设备 |
CN108876934A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 关键点标注方法、装置和系统及存储介质 |
CN109086798A (zh) * | 2018-07-03 | 2018-12-25 | 迈吉客科技(北京)有限公司 | 一种数据标注方法和标注装置 |
CN110163048A (zh) * | 2018-07-10 | 2019-08-23 | 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 |
CN109064549A (zh) * | 2018-07-16 | 2018-12-21 | 中南大学 | 标志点检测模型生成方法及标志点检测方法 |
CN109816704A (zh) * | 2019-01-28 | 2019-05-28 | 北京百度网讯科技有限公司 | 物体的三维信息获取方法和装置 |
CN110020600A (zh) * | 2019-03-05 | 2019-07-16 | 厦门美图之家科技有限公司 | 生成用于训练人脸对齐模型的数据集的方法 |
CN111178266A (zh) * | 2019-12-30 | 2020-05-19 | 北京华捷艾米科技有限公司 | 一种生成人脸关键点的方法及装置 |
Non-Patent Citations (2)
Title |
---|
N. Dinesh Reddy 等.Occlusion-Net: 2D/3D Occluded Keypoint Localization Using Graph Networks.《CVPR 2019》.2020,7326-7335. * |
陈嫒嫒 等.基于关键点的服装检索.《计算机应用》.2017,第37卷(第11期),3249-3255. * |
Also Published As
Publication number | Publication date |
---|---|
CN111695628A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695628B (zh) | 关键点标注方法、装置、电子设备及存储介质 | |
CN111523468B (zh) | 人体关键点识别方法和装置 | |
CN111931591B (zh) | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 | |
EP3848897A2 (en) | Image adjustment method and apparatus, electronic device and storage medium | |
US20230005257A1 (en) | Illegal building identification method and apparatus, device, and storage medium | |
EP3822857B1 (en) | Target tracking method, device, electronic apparatus and storage medium | |
CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
JP7194215B2 (ja) | キーポイントの特定方法及び装置、機器、記憶媒体 | |
JP7389824B2 (ja) | オブジェクト識別方法と装置、電子機器及び記憶媒体 | |
CN111832648B (zh) | 关键点标注方法、装置、电子设备及存储介质 | |
JP2021101365A (ja) | 測位方法、測位装置及び電子機器 | |
US20210374977A1 (en) | Method for indoor localization and electronic device | |
KR102432561B1 (ko) | 에지를 기반으로 하는 증강현실 3차원 추적 등록 방법, 장치 및 전자 기기 | |
CN111640103B (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN112036315A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN112508964B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN111768485B (zh) | 三维图像的关键点标注方法、装置、电子设备及存储介质 | |
CN111832611B (zh) | 动物识别模型的训练方法、装置、设备及存储介质 | |
CN112488126A (zh) | 特征图处理方法、装置、设备以及存储介质 | |
CN112558810B (zh) | 检测指尖位置的方法、装置、设备和存储介质 | |
CN111898489B (zh) | 用于标注手掌位姿的方法、装置、电子设备及存储介质 | |
US11488384B2 (en) | Method and device for recognizing product | |
CN111966432B (zh) | 验证码处理方法、装置、电子设备以及存储介质 | |
CN111507265B (zh) | 表格关键点检测模型训练方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |