CN111861998A - 一种人体图像质量评估方法、装置、系统和计算机设备 - Google Patents
一种人体图像质量评估方法、装置、系统和计算机设备 Download PDFInfo
- Publication number
- CN111861998A CN111861998A CN202010586833.6A CN202010586833A CN111861998A CN 111861998 A CN111861998 A CN 111861998A CN 202010586833 A CN202010586833 A CN 202010586833A CN 111861998 A CN111861998 A CN 111861998A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- body image
- body part
- key point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000006440 Open Bite Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人体图像质量评估方法、装置、系统和计算机设备,其中,该人体图像质量评估方法包括:相比于相关技术,本申请实施例提供的人体图像质量评估方法,通过获取目标人体的人体图像,将人体图像输入至人体关键点检测模型,获取人体图像中目标人体的身体部位,以及获取人体图像中身体部位所对应的属性信息,其中,属性信息至少包括以下之一:人体图像中身体部位的截断信息、遮挡信息以及模糊信息,根据身体部位,以及与身体部位所对应的属性信息,按照预设的权重值加权求和,确定人体图像质量,解决了通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,提高了人体图像质量评估的精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种人体图像质量评估方法、装置、系统和计算机设备。
背景技术
行人是监控视频中较为有价值的观测目标,行人属性及人脸的识别对辨别行人的身份具有重要的意义,是众多基于行人应用的基础。人体图像是进行行人属性识别的基础,人体图像质量的好坏直接关系到对行人属性进行识别的准确率,乃至可行性。人体关键点是指人体身体上的关键位置,对于描述人体姿态,预测人体行为具有重要意义,人体关键点检测是诸多计算机视觉应用的基础,例如动作分类、异常行为检测、人物跟踪以及步态识别等相关操作。
相关技术中,在对人体图像质量评估时,普遍是对人体图像整体质量(人体图像的清晰度、噪声、欠曝、过曝等)进行评估,但是这样的评估方式存在人体图像质量评估不精确的情况,例如,人体部位被遮挡的人体图像虽然清晰度高、曝光正常,但因损失了人体部位仍然不能认为是质量高的人体图像,因此通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题。
目前针对相关技术中通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种人体图像质量评估方法、装置、系统和计算机设备,以至少解决相关技术中通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题。
第一方面,本申请实施例提供了一种人体图像质量评估方法,所述方法包括:
获取目标人体的人体图像;
将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息包括以下至少之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息;
根据所述身体部位,以及与所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
在其中一些实施例中,将所述人体图像输入至人体关键点检测模型之后,所述方法还包括:
获取所述人体图像中所述目标人体的姿态;其中,所述人体关键点检测模型定位所述身体部位的位置信息,且根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的姿态;
根据所述姿态、所述身体部位以及所述身体部位所对应的所述属性信息,按照预设的权重值进行加权求和,确定所述人体图像质量。
在其中一些实施例中,将所述人体图像输入至人体关键点检测模型之后,所述方法还包括:
获取所述人体图像中所述目标人体的方向;其中,所述人体关键点检测模根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的方向;
根据所述方向、所述姿态、所述身体部位以及所述身体部位所对应的所述属性信息,按照预设的权重值进行加权求和,确定所述人体图像质量。
在其中一些实施例中,训练所述人体关键点检测模型的方法包括:
建立人体关键点检测模型;
从图像数据库中获取多个人体图像,以及与所述人体图像对应的标注信息;其中,所述标注信息包括:所述目标人体的姿态、所述目标人体的方向、所述目标人体的身体部位、以及与所述身体部位所对应的属性信息;
利用所述人体图像和所述标注信息对所述人体关键点检测模型进行训练。
在其中一些实施例中,所述利用所述人体图像和所述标注信息对所述人体关键点检测模型进行训练包括:
将所述人体图像输入所述人体关键点检测模型,并获取所述人体关键点检测模型的输出结果;
将所述输出结果与所述标注信息进行对比,并按照损失函数和梯度下降法训练所述人体关键点检测模型。
在其中一些实施例中,所述将所述人体图像输入所述人体关键点检测模型,并获取所述人体关键点检测模型的输出结果之前,所述方法还包括:
在所述人体图像中所述目标人体的身体部位为截断的情况下,则与所述身体部位所对应的属性信息不参与训练。
在其中一些实施例中,确定所述人体图像质量之后,所述方法还包括:
获取所述目标人体的所述人体图像质量,并将所述人体图像质量进行比较,以生成优选的所述目标人体的人体图像。
第二方面,本申请实施例提供了一种人体图像质量评估装置,所述装置包括:获取模块、关键点检测模块和确定模块;
所述获取模块,用于获取目标人体的人体图像;
所述关键点检测模块,用于将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息至少包括以下之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息;
所述确定模块,用于根据所述身体部位,以及与所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
第三方面,本申请实施例提供了一种人体图像质量评估系统,所述系统包括:摄像头和中央处理器;
所述摄像头,用于采集目标人体的人体图像;
所述中央处理器,用于将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息包括以下至少之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息,并根据所述身体部位,以及所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的一种人体图像质量评估方法。
第五方面,本申请实施例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如上述第一方面所述的一种人体图像质量评估方法。
相比于相关技术,本申请实施例提供的人体图像质量评估方法,通过获取目标人体的人体图像,将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息至少包括以下之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息,根据所述身体部位,以及与所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量,解决了通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,提高了人体图像质量评估的精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的人体图像质量评估方法的流程图一;
图2是根据本申请实施例的人体图像质量评估方法的流程图二;
图3是根据本申请实施例的人体图像质量评估方法的流程图三;
图4是根据本申请实施例的训练人体关键点检测模型的方法的流程图一;
图5是根据本申请实施例的训练人体关键点检测模型的方法的流程图二;
图6是根据本申请实施例的训练人体关键点检测模型的方法的流程图三;
图7是根据本申请实施例的人体图像质量评估方法的流程图四;
图8是根据本申请实施例的人体图像质量评估装置的结构框图;
图9是根据本申请实施例的人体图像质量评估系统的结构框图;
图10是根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的人体图像质量评估方法,可以应用于人体图像的优选中,摄像头或者摄影机获取目标人体的视频流,服务器逐帧或者根据既定的规则从视频流中抽取目标人体的人体图像,并将人体图像缩放至固定大小,且将缩放至固定大小的人体图像输入至人体关键点检测模型,并根据人体关键点检测模型的输出结果按照预先设定的策略,确定该人体图像的质量。
本实施例提供了一种人体图像质量评估方法,图1是根据本申请实施例的人体图像质量评估方法的流程图一,如图1所示,该流程包括如下步骤:
步骤S101,获取目标人体的人体图像。通过摄像头或者摄影机获取目标人体的视频流,从视频流中可以逐帧或者根据既定的规则抽取目标人体的人体图像。
步骤S102,将人体图像输入至人体关键点检测模型,获取人体图像中目标人体的身体部位,以及获取人体图像中身体部位所对应的属性信息,其中,属性信息至少包括以下之一:人体图像中身体部位的截断信息、遮挡信息以及模糊信息。
需要说明的是,人体关键点检测模型是已经训练好的,人体关键点检测模型通过人体关键点可以对身体各个部位进行定位,例如可以采用18个关键点,分别为:左眼、右眼、左耳、右耳、鼻子、脖子、左肩、右肩、左肘、右肘、左腕、右腕、左髋、右髋、左膝、右膝、左踝、右踝,且具体关键点数目可以根据实际部署需要进行调整。进一步地,人体图像中身体部位的截断信息分为截断、无截断两种情况,人体图像中身体部位的遮挡信息分为遮挡、无遮挡两种情况,人体图像中身体部位的模糊信息分为模糊、清晰两种情况。例如,可以获取人体图像中目标人体的左眼,左眼的属性信息可以为无截断、无遮挡的情况。
步骤S103,根据身体部位,以及与身体部位所对应的属性信息,按照预设的权重值加权求和,确定人体图像质量。例如,不同的身体部位所对应的权重值可以不同,且同一身体部位的不同属性信息所对应的权重值也可以不同,像模糊信息与遮挡信息所对应的权重值可以不同,且具体权重值大小可以根据实际部署需要进行调整。
通过上述步骤S101至步骤S103,结合人体关键点检测模型,对人体图像中目标人体的各个身体部位进行检测,并在检测到目标人体的各个身体部位的基础上,检测该身体部位的属性信息,最终根据人体图像中目标人体的身体部位以及该身体部位的属性信息,来确定该人体图像的质量,解决了相关技术中通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,提高了人体图像质量评估的精度。
在其中一些实施例中,图2是根据本申请实施例的人体图像质量评估方法的流程图二,如图2所示,该流程还包括如下步骤:
步骤S201,获取所述人体图像中所述目标人体的姿态;其中,所述人体关键点检测模型定位所述身体部位的位置信息,且根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的姿态;根据姿态、身体部位以及身体部位所对应的属性信息,按照预设的权重值进行加权求和,确定人体图像质量。
需要说明的是,将人体图像输入至人体关键点检测模型中,人体关键点检测模型检测目标人体的身体部位,并对该身体部位进行定位,以得到该身体部位的位置信息,根据身体部位以及该身体部位的位置信息,人体关键点检测模型可输出当前人体图像中目标人体的姿态,其中,目标人体的姿态可以为站立、坐、躺、弯腰等等。
通过上述步骤S201,人体关键点检测模型定位身体部位的位置信息,且根据身体部位以及与身体部位相对应的位置信息来确定目标人体的姿态,进而可以从人体关键点检测模型的输出结果中得知人体图像中目标人体的姿态,将图像中目标人体的姿态加入到人体图像质量的评估中,进一步提高人体图像质量评估的精度。
在其中一些实施例中,图3是根据本申请实施例的人体图像质量评估方法的流程图三,如图3所示,该流程还包括如下步骤:
步骤S301,获取所述人体图像中所述目标人体的方向;其中,所述人体关键点检测模根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的方向;根据方向、姿态、身体部位以及身体部位所对应的属性信息,按照预设的权重值进行加权求和,确定人体图像质量。需要进一步说明的是,人体图像中目标人体的方向可以是正向、背向、侧身等等,且目标人体的方向、姿态、身体部位以及身体部位所对应的属性信息的具体权重值大小可以根据实际部署需要进行调整。
通过上述步骤S301,人体关键点检测模型定位身体部位的位置信息,且根据身体部位以及与身体部位相对应的位置信息来确定目标人体的方向,进而可以从人体关键点检测模型的输出结果中得知人体图像中目标人体的方向,将人体图像中目标人体的方向加入到人体图像质量的评估中,使得人体图像质量评估更加全面。
在其中一些实施例中,图4是根据本申请实施例的训练人体关键点检测模型的方法的流程图一,如图4所示,该流程还包括如下步骤:
步骤S401,建立人体关键点检测模型;需要说明的是,该人体关键点检测模型是未训练的,且该人体关键点检测模型的结构可以采用一个卷积神经网络来实现。
步骤S402,从图像数据库中获取多个人体图像,以及与人体图像对应的标注信息;其中,标注信息包括:目标人体的姿态、目标人体的方向、目标人体的身体部位、以及与身体部位所对应的属性信息。
需要说明的是,图像数据库可以包括一个目标人体的人体图像,也可以包括多个目标人体的人体图像;可以理解为图像数据库中由预先准备好的数据对,一个数据对由一幅固定尺寸的人体图像,及其对应的标注信息组成。
步骤S403,利用人体图像和标注信息对人体关键点检测模型进行训练。
通过上述步骤S401至步骤S403,基于建立人体关键点检测模型,通过图像数据库中预先准备好的大量数据对(人体图像和与人体图像对应的标注信息),来对该人体关键点检测模型进行训练,提高人体关键点检测模型应用于人体图像质量评估中的可靠性。
在其中一些实施例中,图5是根据本申请实施例的训练人体关键点检测模型的方法的流程图二,如图5所示,该流程还包括如下步骤:
步骤S501,将人体图像输入人体关键点检测模型,并获取人体关键点检测模型的输出结果。其中,输出结果可以理解为基于当前的人体关键点检测模型,输入一帧人体图像,在经过人体关键点检测模型的运算后,所输出的关于目标人体身体部位、与该身体部位所对应的属性信息、目标人体的方向、目标人体的姿态等等。
步骤S502,将输出结果与标注信息进行对比,并按照损失函数和梯度下降法训练人体关键点检测模型。训练过程中将人体关键点检测模型输出结果与标签结果进行对比,并基于损失函数计算出损失值,然后通过梯度下降法进行训练,并更新人体关键点检测模型参数。
通过上述步骤S501至步骤S502,将输出结果与标注信息进行对比,并按照损失函数和梯度下降法训练人体关键点检测模型,提高人体关键点检测模型在人体图像质量评估中的精度。
在其中一些实施例中,图6是根据本申请实施例的训练人体关键点检测模型的方法的流程图三,如图6所示,该流程还包括如下步骤:
步骤S601,在人体图像中目标人体的身体部位为截断的情况下,则与身体部位所对应的属性信息不参与训练。例如,当人体图像中目标人体的某身体部位是截断的情况,则该身体部位的遮挡信息、模糊信息、位置信息等不参与训练,因此使得人体关键点检测模型在运算过程中,一旦识别到某身体部位是截断的情况,则对该身体部位的遮挡信息、模糊信息、位置信息不在进行运算。
通过上述步骤S601,在人体图像中目标人体的身体部位为截断的情况下,则与身体部位所对应的属性信息不参与训练,使得人体关键点检测模型在运算过程中,一旦识别到某身体部位是截断的情况,则对该身体部位的遮挡信息、模糊信息、位置信息不在进行运算,一定程度上提高人体关键点检测模型的检测效率。
在其中一些实施例中,图7是根据本申请实施例的人体图像质量评估方法的流程图四,如图7所示,该流程还包括如下步骤:
步骤S701,获取目标人体的人体图像质量,并将人体图像质量进行比较,以生成优选的目标人体的人体图像。
通过预设的权重值加权求和,确定人体图像质量,也可以理解为通过预设的评分策略,对该人体图像进行评分,该评分代表该人体图像的质量,若当前输入的人体图像为首帧目标人体的人体图像,则将该人体图像及其获得的评分进行存储;若不是第一帧,则将该评分与已存储的评分进行比较,若评分大于之前的人体图像评分,则进行更新,即用新的人体图像及其评分替换原有的人体图像及其评分;若该人体图像为最后一帧,则将最终的优选图像进行输出,然后清空所保存的人体图像及评分,需要说明的是,这些人体图像帧所对应的人体目标应为同一人。
通过步骤S701,对同一目标人体的人体图像质量进行大小比较,并选出优选的目标人体的人体图像,便于后期利用优选的人体图像。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种人体图像质量评估装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本申请实施例的人体图像质量评估装置的结构框图,如图8所示,该装置包括:获取模块80、关键点检测模块81和确定模块82;
获取模块80,用于获取目标人体的人体图像;关键点检测模块81,用于将人体图像输入至人体关键点检测模型,获取人体图像中目标人体的身体部位,以及获取人体图像中身体部位所对应的属性信息,其中,属性信息至少包括以下之一:人体图像中身体部位的截断信息、遮挡信息以及模糊信息;确定模块82,用于根据身体部位,以及身体部位所对应的属性信息,按照预设的权重值加权求和,确定人体图像质量。
通过上述的人体图像质量评估装置,结合人体关键点检测模型,关键点检测模块81对人体图像中目标人体的各个身体部位进行检测,并在检测到目标人体的各个身体部位的基础上,检测该身体部位的属性信息,确定模块82最终根据人体图像中目标人体的身体部位以及该身体部位的属性信息,来确定该人体图像的质量,解决了相关技术中通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,提高了人体图像质量评估的精度。
在一些实施例中,获取模块80、关键点检测模块81和确定模块82还用于实现上述各实施例提供的人体图像质量评估方法中的步骤,在这里不再赘述。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本申请还提供了一种人体图像质量评估系统,图9是根据本申请实施例的人体图像质量评估系统的结构框图,如图9所示,该系统包括:摄像头90和中央处理器91;
摄像头90,用于采集目标人体的人体图像;中央处理器91,用于将人体图像输入至人体关键点检测模型,获取人体图像中目标人体的身体部位,以及获取人体图像中身体部位所对应的属性信息,其中,属性信息至少包括以下之一:人体图像中身体部位的截断信息、遮挡信息以及模糊信息,并根据身体部位,以及身体部位所对应的属性信息,按照预设的权重值加权求和,确定人体图像质量。
通过上述的人体图像质量评估系统,结合人体关键点检测模型,对人体图像中目标人体的各个身体部位进行检测,并在检测到目标人体的各个身体部位的基础上,检测身体部位的属性信息,最终根据人体图像中目标人体的身体部位以及身体部位的属性信息,来确定人体图像的质量,解决了相关技术中通过对人体图像整体质量进行评估的方式,存在人体图像质量评估不精确的问题,提高了人体图像质量评估的精度。
在一些实施例中,中央处理器还用于实现上述各实施例提供的人体图像质量评估方法中的步骤,在这里不再赘述。
另外,结合图1描述的本申请实施例的人体图像质量评估方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种人体图像质量评估方法。
在其中一些实施例中,计算机设备还可包括通信接口103和总线100,图10是根据本申请实施例的计算机设备的硬件结构示意图,如图10所示,处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线100包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线100可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽互连、低引脚数(LowPin Count,简称为LPC)总线、存储器总线、微信道架构(Micro Channel Architecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment,简称为SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的人体图像质量评估方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意人体图像质量评估方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种人体图像质量评估方法,其特征在于,所述方法包括:
获取目标人体的人体图像;
将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息至少包括以下之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息;
根据所述身体部位,以及与所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
2.根据权利要求1所述的方法,其特征在于,将所述人体图像输入至人体关键点检测模型之后,所述方法还包括:
获取所述人体图像中所述目标人体的姿态;其中,所述人体关键点检测模型定位所述身体部位的位置信息,且根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的姿态;
根据所述姿态、所述身体部位以及所述身体部位所对应的所述属性信息,按照预设的权重值进行加权求和,确定所述人体图像质量。
3.根据权利要求2所述的方法,其特征在于,将所述人体图像输入至人体关键点检测模型之后,所述方法还包括:
获取所述人体图像中所述目标人体的方向;其中,所述人体关键点检测模根据所述身体部位以及与所述身体部位相对应的位置信息来确定所述目标人体的方向;
根据所述方向、所述姿态、所述身体部位以及所述身体部位所对应的所述属性信息,按照预设的权重值进行加权求和,确定所述人体图像质量。
4.根据权利要求1所述的方法,其特征在于,训练所述人体关键点检测模型的方法包括:
建立人体关键点检测模型;
从图像数据库中获取多个人体图像,以及与所述人体图像对应的标注信息;其中,所述标注信息包括:所述目标人体的姿态、所述目标人体的方向、所述目标人体的身体部位、以及与所述身体部位所对应的属性信息;
利用所述人体图像和所述标注信息对所述人体关键点检测模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述利用所述人体图像和所述标注信息对所述人体关键点检测模型进行训练包括:
将所述人体图像输入所述人体关键点检测模型,并获取所述人体关键点检测模型的输出结果;
将所述输出结果与所述标注信息进行对比,并按照损失函数和梯度下降法训练所述人体关键点检测模型。
6.根据权利要求5所述的方法,其特征在于,所述将所述人体图像输入所述人体关键点检测模型,并获取所述人体关键点检测模型的输出结果之前,所述方法还包括:
在所述人体图像中所述目标人体的身体部位为截断的情况下,则与所述身体部位所对应的属性信息不参与训练。
7.根据权利要求1至6任一所述的方法,其特征在于,确定所述人体图像质量之后,所述方法还包括:
获取所述目标人体的所述人体图像质量,并将所述人体图像质量进行比较,以生成优选的所述目标人体的人体图像。
8.一种人体图像质量评估装置,其特征在于,所述装置包括:获取模块、关键点检测模块和确定模块;
所述获取模块,用于获取目标人体的人体图像;
所述关键点检测模块,用于将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息至少包括以下之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息;
所述确定模块,用于根据所述身体部位,以及所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
9.一种人体图像质量评估系统,其特征在于,所述系统包括:摄像头和中央处理器;
所述摄像头,用于采集目标人体的人体图像;
所述中央处理器,用于将所述人体图像输入至人体关键点检测模型,获取所述人体图像中所述目标人体的身体部位,以及获取所述人体图像中所述身体部位所对应的属性信息,其中,所述属性信息包括以下至少之一:所述人体图像中所述身体部位的截断信息、遮挡信息以及模糊信息,并根据所述身体部位,以及所述身体部位所对应的所述属性信息,按照预设的权重值加权求和,确定所述人体图像质量。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的人体图像质量评估方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的人体图像质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586833.6A CN111861998A (zh) | 2020-06-24 | 2020-06-24 | 一种人体图像质量评估方法、装置、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586833.6A CN111861998A (zh) | 2020-06-24 | 2020-06-24 | 一种人体图像质量评估方法、装置、系统和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861998A true CN111861998A (zh) | 2020-10-30 |
Family
ID=72988337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586833.6A Pending CN111861998A (zh) | 2020-06-24 | 2020-06-24 | 一种人体图像质量评估方法、装置、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861998A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560969A (zh) * | 2020-12-21 | 2021-03-26 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN113095157A (zh) * | 2021-03-23 | 2021-07-09 | 深圳市创乐慧科技有限公司 | 一种基于人工智能的图像拍摄方法、装置及相关产品 |
CN113408669A (zh) * | 2021-07-30 | 2021-09-17 | 浙江大华技术股份有限公司 | 图像的确定方法、装置、存储介质及电子装置 |
CN113408496A (zh) * | 2021-07-30 | 2021-09-17 | 浙江大华技术股份有限公司 | 图像确定方法和装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150139485A1 (en) * | 2013-11-15 | 2015-05-21 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110147744A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种人脸图像质量评估方法、装置及终端 |
-
2020
- 2020-06-24 CN CN202010586833.6A patent/CN111861998A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150139485A1 (en) * | 2013-11-15 | 2015-05-21 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110147744A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种人脸图像质量评估方法、装置及终端 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560969A (zh) * | 2020-12-21 | 2021-03-26 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN112560969B (zh) * | 2020-12-21 | 2022-01-11 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN113095157A (zh) * | 2021-03-23 | 2021-07-09 | 深圳市创乐慧科技有限公司 | 一种基于人工智能的图像拍摄方法、装置及相关产品 |
CN113408669A (zh) * | 2021-07-30 | 2021-09-17 | 浙江大华技术股份有限公司 | 图像的确定方法、装置、存储介质及电子装置 |
CN113408496A (zh) * | 2021-07-30 | 2021-09-17 | 浙江大华技术股份有限公司 | 图像确定方法和装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861998A (zh) | 一种人体图像质量评估方法、装置、系统和计算机设备 | |
CN108205655B (zh) | 一种关键点预测方法、装置、电子设备及存储介质 | |
CN112381837B (zh) | 一种图像处理方法及电子设备 | |
CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
CN109063584B (zh) | 基于级联回归的面部特征点定位方法、装置、设备及介质 | |
CN111753643B (zh) | 人物姿态识别方法、装置、计算机设备和存储介质 | |
CN112446302A (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN112116556B (zh) | 一种客流量统计方法、装置和计算机设备 | |
CN109273074B (zh) | 一种用于医疗图像的网络模型调整方法及设备 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN114902299A (zh) | 图像中关联对象的检测方法、装置、设备和存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
JP5648452B2 (ja) | 画像処理プログラムおよび画像処理装置 | |
CN108985240B (zh) | 评估对象检测算法的方法、装置、电子设备和存储介质 | |
CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
CN111462203A (zh) | Dr病灶演化分析装置和方法 | |
CN110929644A (zh) | 基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质 | |
CN110458024B (zh) | 活体检测方法及装置和电子设备 | |
CN112581001B (zh) | 设备的评估方法及装置、电子设备、可读存储介质 | |
CN113033525B (zh) | 图像识别网络的训练方法、电子设备及存储介质 | |
CN110458171B (zh) | 一种车牌识别的方法以及相关装置 | |
CN114694243A (zh) | 一种跌倒检测方法、装置、电子设备及存储介质 | |
CN112329736A (zh) | 人脸识别方法及金融系统 |
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 |