CN113642471A - 一种图像识别方法、装置、电子设备和存储介质 - Google Patents

一种图像识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113642471A
CN113642471A CN202110938819.2A CN202110938819A CN113642471A CN 113642471 A CN113642471 A CN 113642471A CN 202110938819 A CN202110938819 A CN 202110938819A CN 113642471 A CN113642471 A CN 113642471A
Authority
CN
China
Prior art keywords
image
target area
area image
determining
limb key
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
Application number
CN202110938819.2A
Other languages
English (en)
Inventor
赵伟松
宋腾飞
邓天生
于天宝
贠挺
陈国庆
林赛群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN202110938819.2A priority Critical patent/CN113642471A/zh
Publication of CN113642471A publication Critical patent/CN113642471A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像识别方法、装置、电子设备和存储介质，涉及人工智能领域，尤其涉及深度学习技术和图像处理技术。具体实现方案包括：确定待识别图像中人物的肢体关键点；根据所述肢体关键点从待识别图像中确定至少一个目标区域图像；对所述目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。本公开方案实现了对待识别图像中人物的衣着穿搭进行精准识别。

Description

一种图像识别方法、装置、电子设备和存储介质
技术领域
本公开涉及人工智能领域，尤其涉及深度学习技术和图像处理技术，具体涉及一种图像识别方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
随着互联网的发展，图像可以便捷的在网络上传播。用户可以方便的在网络上浏览其他用户分享、发布各类图像、或者被推送包括图像的各类广告。而有时因为业务需求，需对互联网中的图像进行识别。
发明内容
本公开提供了一种图像识别方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面，提供了一种图像识别方法，包括：
确定待识别图像中人物的肢体关键点；
根据肢体关键点从待识别图像中确定至少一个目标区域图像；
对目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
根据本公开的另一方面，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本公开任意实施例的图像识别方法。
根据本公开的另一方面，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，计算机指令用于使计算机执行本公开任意实施例的图像识别方法。
根据本公开的技术，可实现对待识别图像中人物的衣着穿搭进行精准识别。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种图像识别方法的流程示意图；
图2是根据本公开实施例提供的又一种图像识别方法的流程示意图；
图3是根据本公开实施例提供的另一种图像识别方法的流程示意图；
图4是根据本公开实施例提供的一种图像识别装置的结构示意图；
图5是用来实现本公开实施例的图像识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
图1为本公开实施例的一种图像识别方法的流程示意图，本实施例可适用于识别图像中人物衣着穿搭的情况。该方法可由一种图像识别装置来执行，该装置采用软件和/或硬件的方式实现，并集成在电子设备上，例如集成在服务器设备上。
具体的，参见图1，图像识别方法如下：
S101、确定待识别图像中人物的肢体关键点。
其中，待识别图像可选的是互联网上传播的任意图片，也可以是互联网上传播的视频所包括的视频画面。例如直播视频的画面。由于待识别图像中可能包括完整的人物图像，也可能包括部分人物图像，例如待识别图像中只包括人物的上半身图像、因此，待识别图像中人物的肢体关键点包括如下至少一项：鼻子、左肩、右肩、左肘、右肘、左腕、右腕、左髋、右髋、左膝、右膝、左脚踝、右脚踝。而在一种可选的实施方式中，可以利用人体关键点识别技术，确定待识别图像中人物的肢体关键点。
S102、根据肢体关键点从待识别图像中确定至少一个目标区域图像。
其中，目标区域图像是指待识别图像中任一人体部位所覆盖的区域的图像。本公开实施例中，为了精准的检测待识别图像中人物的衣着穿搭，可对不同人体部位的衣着穿搭分别进行检测。由于人物胸部和臀部的衣着能够更好的反应人物的衣着穿搭，因此本公开实施例中，目标区域图像优选的为胸部区域图像和/或臀部区域图像。具体实现时，可以根据识别出的肢体关键点和人体部位(例如胸部或臀部)之间相对位置关系，从待识别图像中确定目标区域图像。
S103、对目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
本公开实施例中，可基于分类模型的识别技术对目标区域图像进行识别。其中，分类模型是通过大量人工标注的训练图片训练后得到的，在具体训练时，构建的模型在训练集上通过误差反传，完成对模型参数的修正，得到能够识别训练集以外的数据中人物衣着穿搭的分类模型。在此需要说明的是，之所以不利用分类模型直接对待识别图像进行衣着穿搭的识别，是因为如果直接利用分类模型对待识别图像进行检测，经常出现识别结果并不是人体的某一特定部位，甚至识别位置出现在背景图中，导致出现较高的误识别的情况。而通过S101-S102的步骤，先确定出人体特定部位所对应的目标区域图像，然后利用分类模型进行检测，可以降低误识别出现的概率。
在对目标区域图像识别时，只需将目标区域图像输入到分类模型中，根据分类模型的输出可以确定图像中人物的衣着穿搭结果。示例性的，若输入的目标区域图像为胸部区域图像，图像中人物的衣着穿搭结果示例性的可以是人物穿着裸露乳沟的衣物或人物穿着未裸露乳沟的衣物；若输入的目标区域图像为臀部区域图像，识别结果示例性的可以是人物穿着裸露臀线的衣物，例如人物穿着比基尼、三角裤、T型裤；或者人物未穿着裸露臀线的衣物。
进一步的，得到待识别图像中人物不同人体部位的衣着穿搭结果后，可对待识别图像中人物的衣着穿搭进行评价，例如根据人物的衣着穿搭结果判断图像中人物是否衣着暴露。需要说明的是，评价图像中人物的衣着穿搭时，需要考虑业务场景，因为业务场景不同，对人物衣着穿搭是否暴露的定义不同。例如，若待识别图像为内衣秀视频中的视频画面，即使识别出图像中人物穿着比基尼、三角裤，也不认为该图像中人物衣着暴露；而针对包括办公场所环境的图像，若识别出图像中人物穿着比基尼或三角裤，则认为该图像中人物衣着暴露。除此之外，如识别到图像中人物穿着裸露乳沟的衣物，则确定图像中人物衣着暴露。
本公开实施例中，目标区域图像是基于识别出的人体关键点的，而不是分类模型根据人体部位的特征点确定的，由此可以避免出现分类模型将待识别图像的背景图误识别为人体部位的情况，进而保证了对图像中人物衣着穿搭检测的准确性。
图2是根据本公开实施例的又一图像识别方法的流程示意图，本实施例是在上述实施例的基础上进行优化，参见图2，图像识别方法具体如下：
S201、基于预先训练的肢体关键点检测模型，确定待识别图像包括的肢体关键点，以及肢体关键点在待识别图像中的坐标。
本公开实施例中，预先训练的肢体关键点检测模型可选的是神经网络模型，在获取到待识别图像后，将待识别图像输入值肢体关键点检测模型中。肢体关键点检测模型通过内部的特征提取网络，提取待识别图像的特征矩阵，进而根据特征矩阵确定待识别图像中人物的肢体关键点，以及肢体关键点在待识别图像中二维坐标。需要说明的是，通过预训练的肢体关键点检测模型确定待识别图像中包括的肢体关键点，可以提升识别肢体关键点及其坐标的效率以及准确性。
示例性的，参见表1，其是识别出的肢体关键点名称和坐标。
表1：肢体关键点
Figure BDA0003214185430000041
Figure BDA0003214185430000051
S202、根据不同肢体关键点组合，以及肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像。
本公开实施例中，基于识别出的肢体关键点和人体特定部位(例如胸部或臀部)相对位置关系，根据不同肢体关键点组合，以及肢体关键点的坐标，从待识别图像中高效且精准的确定任一人体部位的图像。
本公开实施例中，目标区域图像是指待识别图像中任一人体部位的图像。由于本公开实施例主要是通过对待识别图像中人物的衣着穿搭进行识别与评价，以确定待识别图像中人物是否衣着暴露，因此，目标区域图像优选的为胸部区域图像和/或臀部区域图像，而要确定不同的目标区域图像所需的肢体关键点组合不同。
在一种可选的实施方式中，根据不同肢体关键点组合，以及肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像，包括(1)-(2)：
(1)根据第一肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的胸部区域图像。其中，第一肢体关键点组合包括左肩、右肩、左髋和右髋。示例性的，参见表1，左肩为P2，坐标为(x2,y2)；右肩为P3，坐标为(x3,y3)；左髋为P8，坐标为(x8,y8)；右髋为P9，坐标为(x9,y9)。先确定P2与P8连线中点pz1的坐标为((x8-x2)/2,(y8-y2)/2)；再确定P3与P9连线中点pz2的坐标为((x9-x9)/2,(y9-y3)/2)。进而将关键点P2、P3、pz1和pz2的坐标在待识别图像中围成的区域图像作为胸部区域图像。
(2)根据第二肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的臀部区域图像；其中，第二肢体关键点组合包括左髋和右髋。示例性的，在待识别图像中，将左髋和右髋两个肢体关键点连起来，向外延伸0.5倍，然后取个2：3的矩形，即可作为臀部区域图像。
S203、对目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
在通过S202得到目标区域图像后，可基于分类模型的识别技术，对目标区域图像进行识别，并根据识别结果对待识别图像中人物衣着穿搭进行评价，具体的识别与评价的过程参见上述实施例，在此不再赘述。
本公开实施例中，根据不同肢体关键点的组合，可准确的在待识别图像中确定特定人体部位(例如胸部或臀部)的图像，为后续精准识别人物是否衣着暴露提供了保证。
图3是根据本公开实施例的另一图像识别方法的流程示意图，在实施例是在上述实施例的基础上进行优化，参见图3，图像识别方法具体如下：
S301、确定待识别图像中人物的肢体关键点。
S302、根据肢体关键点从待识别图像中确定至少一个目标区域图像。
其中，目标区域图像是指待识别图像中任一人体部位的图像。
S303、基于仿射变换的方式对目标区域图像进行矫正。
本公开实施例中，由于分类模型无法精准的完成细粒度目标的识别，例如一张图片中的人物衣着完整，但是裸露了乳沟，该特征占比整张图片尺寸非常小，往往难以让分类模型捕获到这种细粒度特征，甚至是模型训练过程出现不收敛的情况，导致针对这种局部微观的衣着暴露难以准确识别。针对这种不足，在利用分类模型对目标区域图像进行检测之前，对目标区域图像进行矫正，重点突出人体关键部位，以解决分类模型不易于捕获图像中细粒度特征的问题。
在一种可选的实施方式中，矫正过程可基于仿射变换的方式对目标区域图像进行。其中，对目标区域图像进行仿射变换，主要是指对目标区域图像进行平移、缩放、翻转、旋转和剪切等，具体的，可预先设定仿射变换矩阵，后续直接利用该矩阵与目标区域图像进行点乘运算，以完成矫正。需要说明的是，仿射变换可以保证图像中原来线共点、点共线的关系不变，保持原来相互平行的线仍然平行，保持原来的中点仍然是中点，保持原来在一直线上几段线段之间的比例关系不变。但是仿射变换并不能保持原来的线段长度不变，也不能保持原来的夹角角度不变。
S304、对矫正后的目标区域图像进行灰度化处理，并对灰度化处理后的目标区域图像进行边缘检测。
本公开实施例中，由于衣着颜色对检测人物是否衣着暴露存在干扰，因此为了减少衣着颜色信息的干扰，在对目标区域图像进行检测之前，可对矫正后的目标区域图像进行灰度化处理，以得到目标区域图像对应的灰度图像。在此需要说明的是，图像灰度化处理可以利用如下任一方式：(1)分量法：将彩色图像中的RGB三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。(2)最大值法：将彩色图像中的RGB三分量亮度的最大值作为灰度图的灰度值。(3)平均值法：将彩色图像中的RGB三分量亮度求平均得到一个灰度值。(4)加权平均法：根据重要性及其它指标，将RGB三个分量以不同的权值进行加权平均。
在对目标区域图像进行灰度化处理后，可以对灰度化处理后的目标区域图像进行边缘检测，其中，边缘检测是指检测图像中的一些目标像素点，这些目标像素点周围的像素点的灰度因物体不同而发生了急剧的变化，因此可以将这些目标像素点作为一个集合，可以用来标注图像中不同物体的边界。在一种可选的实施方式中，可利用Canny算子对灰度化的目标区域图像进行边缘检测。需要说明的是，也可以利用其他算子进行边缘检测，在此不做具体限定。通过边缘检测，突出衣着与人体部位之间的边缘信息，突出了人体部位的特征，为后续精准识别图像中人物的衣着穿搭提供了保证。
S305、对目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
本公开实施例中，通过矫正放大人体部位的方式，重点突出人体关键部位，很好的解决了分类模型不易于捕获图像中的细粒度特征；对目标区域图像进行灰度处理和边缘检测，仅保留目标区域图片的纹理特征，减少了因衣服的颜色不同而引入的噪声。
图4是根据本公开实施例的图像识别装置的结构示意图，本实施例可适用于识别图像中人物衣着穿搭的情况。如图4所示，该装置具体包括：
肢体关键点识别模块401，用于确定待识别图像中人物的肢体关键点；
目标区域图像确定模块402，用于根据肢体关键点从待识别图像中确定至少一个目标区域图像；
图像识别模块403，用于对目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
在上述实施例的基础上，可选的，肢体关键点识别模块具体用于：
基于预先训练的肢体关键点检测模型，确定待识别图像包括的肢体关键点，以及肢体关键点在待识别图像中的坐标。
在上述实施例的基础上，可选的，目标区域图像确定模块包括：
区域图像确定单元，用于根据不同肢体关键点组合，以及肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像；其中，目标区域图像是指待识别图像中任一人体部位的图像。
在上述实施例的基础上，可选的，区域图像确定单元具体用于：
根据第一肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的胸部区域图像，其中，第一肢体关键点组合包括左肩、右肩、左髋和右髋；和/或
根据第二肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的臀部区域图像，其中，第二肢体关键点组合包括左髋和右髋。
在上述实施例的基础上，可选的，该装置还包括：
矫正模块，用于基于仿射变换的方式对目标区域图像进行矫正；
图像处理模块，用于对矫正后的目标区域图像进行灰度化处理，并对灰度化处理后的目标区域图像进行边缘检测。
本公开实施例提供的图像识别装置可执行本公开任意实施例提供的图像识别方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开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。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像识别方法。例如，在一些实施例中，图像识别方法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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别方法。
本文中以上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、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)、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。
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。
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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种图像识别方法，包括：
确定待识别图像中人物的肢体关键点；
根据所述肢体关键点从待识别图像中确定至少一个目标区域图像；
对所述目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
2.根据权利要求1所述的方法，其中，确定待识别图像中人物的肢体关键点，包括：
基于预先训练的肢体关键点检测模型，确定所述待识别图像包括的肢体关键点，以及所述肢体关键点在所述待识别图像中的坐标。
3.根据权利要求2所述的方法，其中，根据所述肢体关键点从待识别图像中确定至少一个目标区域图像，包括：
根据不同肢体关键点组合，以及所述肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像；其中，所述目标区域图像是指待识别图像中任一人体部位的图像。
4.根据权利要求3所述的方法，其中，根据不同肢体关键点组合，以及所述肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像，包括：
根据第一肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的胸部区域图像，其中，所述第一肢体关键点组合包括左肩、右肩、左髋和右髋；和/或
根据第二肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的臀部区域图像，其中，所述第二肢体关键点组合包括左髋和右髋。
5.根据权利要求1所述的方法，在对所述目标区域图像进行识别之前，还包括：
基于仿射变换的方式对所述目标区域图像进行矫正；
对矫正后的目标区域图像进行灰度化处理，并对灰度化处理后的目标区域图像进行边缘检测。
6.一种图像识别装置，包括：
肢体关键点识别模块，用于确定待识别图像中人物的肢体关键点；
目标区域图像确定模块，用于根据所述肢体关键点从待识别图像中确定至少一个目标区域图像；
图像识别模块，用于对所述目标区域图像进行识别，得到所述待识别图像中人物的衣着穿搭结果。
7.根据权利要求6所述的装置，其中，所述肢体关键点识别模块具体用于：
基于预先训练的肢体关键点检测模型，确定所述待识别图像包括的肢体关键点，以及所述肢体关键点在所述待识别图像中的坐标。
8.根据权利要求7所述的装置，其中，所述目标区域图像确定模块包括：
区域图像确定单元，用于根据不同肢体关键点组合，以及所述肢体关键点的坐标，从待识别图像中确定至少一个目标区域图像；其中，所述目标区域图像是指待识别图像中任一人体部位的图像。
9.根据权利要求8所述的装置，其中，所述区域图像确定单元具体用于：
根据第一肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的胸部区域图像，其中，所述第一肢体关键点组合包括左肩、右肩、左髋和右髋；和/或
根据第二肢体关键点组合，以及各肢体关键点的坐标，确定待识别图像中人物的臀部区域图像，其中，所述第二肢体关键点组合包括左髋和右髋。
10.根据权利要求6所述的装置，还包括：
矫正模块，用于基于仿射变换的方式对所述目标区域图像进行矫正；
图像处理模块，用于对矫正后的目标区域图像进行灰度化处理，并对灰度化处理后的目标区域图像进行边缘检测。
11.一种电子设备，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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
CN202110938819.2A 2021-08-16 2021-08-16 一种图像识别方法、装置、电子设备和存储介质 Pending CN113642471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110938819.2A CN113642471A (zh) 2021-08-16 2021-08-16 一种图像识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110938819.2A CN113642471A (zh) 2021-08-16 2021-08-16 一种图像识别方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113642471A true CN113642471A (zh) 2021-11-12

Family

ID=78422123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110938819.2A Pending CN113642471A (zh) 2021-08-16 2021-08-16 一种图像识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113642471A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538368A (zh) * 2021-07-14 2021-10-22 Oppo广东移动通信有限公司 图像选择方法、图像选择装置、存储介质与电子设备
CN113989857A (zh) * 2021-12-27 2022-01-28 四川新网银行股份有限公司 一种基于深度学习的人像照片内容解析方法及系统
CN114268813A (zh) * 2021-12-31 2022-04-01 广州方硅信息技术有限公司 直播画面调整方法、装置及计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469087A (zh) * 2015-07-13 2016-04-06 百度在线网络技术（北京）有限公司 识别服饰图片的方法、服饰图片的标注方法及装置
CN108830783A (zh) * 2018-05-31 2018-11-16 北京市商汤科技开发有限公司 一种图像处理方法、装置和计算机存储介质
CN110807361A (zh) * 2019-09-19 2020-02-18 腾讯科技（深圳）有限公司 人体识别方法、装置、计算机设备及存储介质
CN111340800A (zh) * 2020-03-18 2020-06-26 联影智能医疗科技(北京)有限公司 图像检测方法、计算机设备和存储介质
CN111753796A (zh) * 2020-06-30 2020-10-09 北京爱奇艺科技有限公司 图像中关键点的识别方法、装置、电子设备及存储介质
CN111783626A (zh) * 2020-06-29 2020-10-16 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备及存储介质
CN111967443A (zh) * 2020-09-04 2020-11-20 邵传宏 基于图像处理与bim的档案馆内感兴趣区域分析方法
CN112101479A (zh) * 2020-09-27 2020-12-18 杭州海康威视数字技术股份有限公司 一种发型识别方法及装置
US20210049356A1 (en) * 2018-11-07 2021-02-18 Beijing Dajia Internet Information Technology Co., Ltd. Method for Detecting Key Points in Skeleton, Apparatus, Electronic Device and Storage Medium
WO2021098543A1 (zh) * 2019-11-20 2021-05-27 Oppo广东移动通信有限公司 一种姿势识别方法及装置、存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469087A (zh) * 2015-07-13 2016-04-06 百度在线网络技术（北京）有限公司 识别服饰图片的方法、服饰图片的标注方法及装置
CN108830783A (zh) * 2018-05-31 2018-11-16 北京市商汤科技开发有限公司 一种图像处理方法、装置和计算机存储介质
US20210049356A1 (en) * 2018-11-07 2021-02-18 Beijing Dajia Internet Information Technology Co., Ltd. Method for Detecting Key Points in Skeleton, Apparatus, Electronic Device and Storage Medium
CN110807361A (zh) * 2019-09-19 2020-02-18 腾讯科技（深圳）有限公司 人体识别方法、装置、计算机设备及存储介质
WO2021098543A1 (zh) * 2019-11-20 2021-05-27 Oppo广东移动通信有限公司 一种姿势识别方法及装置、存储介质
CN111340800A (zh) * 2020-03-18 2020-06-26 联影智能医疗科技(北京)有限公司 图像检测方法、计算机设备和存储介质
CN111783626A (zh) * 2020-06-29 2020-10-16 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备及存储介质
CN111753796A (zh) * 2020-06-30 2020-10-09 北京爱奇艺科技有限公司 图像中关键点的识别方法、装置、电子设备及存储介质
CN111967443A (zh) * 2020-09-04 2020-11-20 邵传宏 基于图像处理与bim的档案馆内感兴趣区域分析方法
CN112101479A (zh) * 2020-09-27 2020-12-18 杭州海康威视数字技术股份有限公司 一种发型识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538368A (zh) * 2021-07-14 2021-10-22 Oppo广东移动通信有限公司 图像选择方法、图像选择装置、存储介质与电子设备
CN113989857A (zh) * 2021-12-27 2022-01-28 四川新网银行股份有限公司 一种基于深度学习的人像照片内容解析方法及系统
CN114268813A (zh) * 2021-12-31 2022-04-01 广州方硅信息技术有限公司 直播画面调整方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
US11120254B2 (en) Methods and apparatuses for determining hand three-dimensional data
CN113642471A (zh) 一种图像识别方法、装置、电子设备和存储介质
CN111986178A (zh) 产品缺陷检测方法、装置、电子设备和存储介质
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
US11348275B2 (en) Methods and apparatuses for determining bounding box of target object, media, and devices
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
CN113065614B (zh) 分类模型的训练方法和对目标对象进行分类的方法
CN113205041B (zh) 结构化信息提取方法、装置、设备和存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN112784760B (zh) 人体行为识别方法、装置、设备以及存储介质
CN112528858A (zh) 人体姿态估计模型的训练方法、装置、设备、介质及产品
CN113177469A (zh) 人体属性检测模型的训练方法、装置、电子设备及介质
CN113705362A (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
CN113487473B (zh) 一种添加图像水印的方法、装置、电子设备及存储介质
CN113869253A (zh) 活体检测方法、训练方法、装置、电子设备及介质
CN114677566B (zh) 深度学习模型的训练方法、对象识别方法和装置
CN116402820A (zh) 一种检测方法、装置、设备及存储介质
CN114140320B (zh) 图像迁移方法和图像迁移模型的训练方法、装置
CN116052288A (zh) 活体检测模型训练方法、活体检测方法、装置和电子设备
CN115409951A (zh) 图像处理方法、装置、电子设备及存储介质
CN113379592B (zh) 图片中敏感区域的处理方法、装置和电子设备
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN115641481A (zh) 用于训练图像处理模型和图像处理的方法、装置
CN117437624B (zh) 违禁品检测方法、装置及电子设备

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