CN114241597A - 一种姿态识别方法及其相关设备 - Google Patents

Abstract

本申请提供一种姿态识别方法及其相关设备，对包含目标对象的图像进行处理后所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。本申请的方法包括：获取目标图像；通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域，姿态参数用于获取目标对象的姿态。

Description

一种姿态识别方法及其相关设备

技术领域

本申请涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种姿态识别方法及其相关设备。

背景技术

人体动作捕捉技术是影视、游戏行业中常用的技术，该技术可对输入的视频流进行处理，以捕捉每一帧图像中人体的姿态，从而得到人体的运动信息。基于这种技术，可以从海量的视频中提取人体运动时的姿态数据，具有广阔的应用场景。

目前，可基于AI技术中实现人体动作捕捉。具体地，对于某一个图像而言，可通过已训练的神经网络对该图像中人体所在的区域进行处理，从而得到姿态参数，该姿态参数可用于确定人体的姿态。

若存在呈现相同环境的多个图像，而人体在这多个图像中，分别位于该环境中的不同位置，且人体的姿态是极度相似的，在这种情况下，神经网络会判定这多个图像中人体的姿态参数是一致的，但在实际环境中，人体一旦发生移动，虽然人体在不同位置的姿态是相似的，但人体的姿态之间肯定存在细微的差别，这是目前的神经网络所无法识别出来的，导致所捕捉到的人体姿态不够准确，进而影响人体的运动信息的准确度。

发明内容

本申请实施例提供了一种姿态识别方法及其相关设备，对包含目标对象的图像进行处理后所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

本申请实施例的第一方面提供了一种姿态识别方法，该方法包括：

当需要对目标图像进行姿态识别时，可先获取目标图像，目标图像通常呈现有目标对象和目标对象所处的环境，可以理解的是，姿态识别的目标是为了获取目标图像中目标对象的姿态。

为了减小姿态识别模型的计算量，可对目标图像进行预处理。具体地，可对目标图像进行检测，以确定目标图像中目标对象所在的区域，该区域可称为目标区域，并获取目标区域在目标图像中的位置信息。

得到目标区域以及目标区域在目标图像中的位置信息后，可将目标区域以及目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数。那么，基于姿态参数可获取目标图像中目标对象的姿态。

从上述方法可以看出：在获取目标图像后，可将目标图像中目标对象所在的目标区域和目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于目标图像构建。前述实现方式中，可以目标图像的某一个顶点作为图像坐标系的原点，那么，可确定目标区域的中心点在该图像坐标系中的坐标，以及目标区域的长和宽(也就相当于得到了目标区域的尺寸)，这些信息可用于指示目标区域在目标图像中的位置，如此一来，将目标区域的这些位置信息输入至姿态识别模型后，姿态识别模型在对目标区域进行图像处理时，可有效考虑到目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，故基于这些信息所得到的目标对象的姿态，具有较高的准确度。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于目标图像构建。前述实现方式中，可以目标图像的某一个顶点作为图像坐标系的原点，那么，可确定目标区域的所有顶点在该图像坐标系中的坐标，这些信息可用于指示目标区域在目标图像中的位置，如此一来，将目标区域的这些位置信息输入至姿态识别模型后，姿态识别模型在对目标区域进行图像处理时，可有效考虑到目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，故基于这些信息所得到的目标对象的姿态，具有较高的准确度。

在一种可能的实现方式中，姿态识别模型基于所述目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在所述待处理图像上的真实投影结果，进行训练得到。前述过程中，由于在姿态识别模型的训练过程中，令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系。那么，在姿态识别模型的应用过程中，该模型可基于目标对象在全图中的位置信息，从全图中精准地捕捉目标对象的姿态。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向(即目标对象相对于相机的朝向)以及目标对象在相机坐标系中的肢体行为(即目标对象在三维空间中的动作)，相机坐标系的原点为拍摄目标图像的相机。前述实现方式中，即使获得目标对象在同一环境中处于不同位置的多个图像，且目标对象在这多个图像中的姿态相似，姿态识别模型也可识别这多个图像中目标对象的姿态之间的差别，即目标对象相对于相机的朝向之间的差别，以及目标对象在三维空间中的动作之间的差别。

在一种可能的实现方式中，该方法还包括：通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。前述实现方式中，姿态识别模型的输出可包括姿态参数、形状参数和位移参数。其中，姿态参数用于指示目标对象相对于相机的旋转角和目标对象自身各个关节之间的夹角。形状参数用于指示目标对象的三维形状。位移参数用于指示目标对象在目标区域中所占的幅度，以及目标对象在目标区域中的偏移量(例如，以目标区域的中心点为参考点，目标对象向左偏移的程度或向右偏移的程度)。基于姿态参数、形状参数和位移参数进行计算，可准确得到目标对象的姿态。

在一种可能的实现方式中，该方法还包括：对目标区域在目标图像中的位置信息进行归一化处理，得到归一化后的位置信息；通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数包括：通过姿态识别模型对目标图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。前述实现方式中，姿态识别模型在执行姿态识别操作时，可基于归一化后的位置信息实现，由于归一化后的位置信息的处理难度小，有利于减少姿态识别模型的计算量，降低模型的设计成本。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第二方面提供了一种姿态识别方法，该方法包括：

当需要对目标图像进行姿态识别时，可先获取目标图像，目标图像通常呈现有目标对象和目标对象所处的环境，可以理解的是，姿态识别的目标是为了获取目标图像中目标对象的姿态。

得到目标图像后，可获取目标图像中像素点的位置信息，并将目标图像和目标图像中像素点的位置信息输入值姿态识别模型，以通过姿态识别模型对目标图像和目标图像中像素点的位置信息进行处理，得到姿态参数，姿态参数用于获取目标图像包含的目标对象的姿态。

从上述方法可以看出：在获取目标图像后，可将目标图像以及目标图像中像素点的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标图像所呈现的目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于目标图像构建。前述实现方式中，可以目标图像的某一个顶点作为图像坐标系的原点，那么，可确定目标图像中所有像素点在图像坐标系中的坐标，这些信息可作为姿态识别模型的输入，如此一来，姿态识别模型的输入不仅包含目标图像的每个像素点，还包含目标图像中每个像素点在图像坐标系中的坐标。那么，将目标区域的这些信息输入至姿态识别模型后，姿态识别模型在对目标区域进行图像处理时，可有效考虑到目标区域中所有像素点的位置信息对目标对象的姿态所造成的影响，故基于这些信息所得到的目标对象的姿态，具有较高的准确度。

在一种可能的实现方式中，姿态识别模型基于所述目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在所述待处理图像上的真实投影结果，进行训练得到。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

在一种可能的实现方式中，该方法还包括：通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该方法还包括：对目标图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数包括：通过姿态识别模型对目标图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第三方面提供了一种模型训练方法，该方法包括：获取待处理图像；通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域；基于姿态参数，获取目标对象的预测姿态；基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

上述方法所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型包括：基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，该方法包括：通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该方法还包括：对目标区域在待处理图像中的位置信息进行归一化处理，得到归一化后的位置信息；通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到姿态参数包括：通过待训练模型对待处理图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第四方面提供了一种模型训练方法，该方法包括：获取待处理图像；通过待训练模型对待处理图像以及待处理图像中像素点的位置信息进行处理，得到姿态参数；基于姿态参数，获取目标对象的预测姿态；基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

上述方法所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，其输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型：基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，该方法还包括：通过待训练模型对待处理图像的目标区域以及待处理图像中像素点的位置信息进行处理，得到姿态参数、形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该方法还包括：对待处理图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；通过待训练模型对待处理图像以及待处理图像中像素点的位置信息进行处理，得到姿态参数包括：通过待训练模型对待处理图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第五方面提供了一种姿态识别装置，该装置包括：获取模块，用于获取目标图像；处理模块，用于通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域，姿态参数用于获取目标对象的姿态。

从上述装置可以看出：在获取目标图像后，可将目标图像中目标对象所在的目标区域和目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于目标图像构建。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于目标图像构建。

在一种可能的实现方式中，姿态识别模型基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，进行训练得到。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

在一种可能的实现方式中，处理模块，还用于通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标区域在目标图像中的位置信息进行归一化处理，得到归一化后的位置信息；处理模块，用于通过姿态识别模型对目标图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第六方面提供了一种姿态识别装置，该装置包括：获取模块，用于获取目标图像；处理模块，用于通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，姿态参数用于获取目标图像包含的目标对象的姿态。

从上述装置可以看出：在获取目标图像后，可将目标图像以及目标图像中像素点的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标图像所呈现的目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于目标图像构建。

在一种可能的实现方式中，姿态识别模型基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，进行训练得到。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

在一种可能的实现方式中，处理模块，还用于通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；处理模块，用于通过姿态识别模型对目标图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第七方面提供了一种模型训练装置，该装置包括：第一获取模块，用于获取待处理图像；处理模块，用于通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域；第二获取模块，用于基于姿态参数，获取目标对象的预测姿态；训练模块，用于基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

上述装置所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，训练模块，用于基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，处理模块，还用于通过姿态识别模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标区域在待处理图像中的位置信息进行归一化处理，得到归一化后的位置信息；处理模块，用于通过待训练模型对待处理图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第八方面提供了一种模型训练装置，该装置包括：第一获取模块，用于获取待处理图像；处理模块，用于通过待训练模型对待处理图像以及待处理图像中像素点的位置信息进行处理，得到姿态参数；第二获取模块，用于基于姿态参数，获取目标对象的预测姿态；训练模块，用于基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

上述装置所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，其输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，训练模块，用于基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，处理模块，还用于通过姿态识别模型对待处理图像的目标区域以及待处理图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对待处理图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；处理模块，用于通过待训练模型对待处理图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

本申请实施例的第九方面提供了一种姿态识别装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，姿态识别装置执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十方面提供了一种模型训练装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，模型训练装置执行如第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十一方面提供了一种电路系统，该电路系统包括处理电路，该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面、第二方面中任意一种可能的实现方式、第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十二方面提供了一种芯片系统，该芯片系统包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面、第二方面中任意一种可能的实现方式、第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。

在一种可能的实现方式中，该处理器通过接口与存储器耦合。

在一种可能的实现方式中，该芯片系统还包括存储器，该存储器中存储有计算机程序或计算机指令。

本申请实施例的第十三方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面、第二方面中任意一种可能的实现方式、第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十四方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面、第二方面中任意一种可能的实现方式、第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。

本申请实施例中，在获取目标图像后，可将目标图像中目标对象所在的目标区域和目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

附图说明

图1为相关技术的一个示意图；

图2为相关技术的另一示意图；

图3为人工智能主体框架的一种结构示意图；

图4a为本申请实施例提供的图像处理系统的一个结构示意图；

图4b为本申请实施例提供的图像处理系统的另一结构示意图；

图4c为本申请实施例提供的图像处理的相关设备的一个示意图；

图5为本申请实施例提供的系统100架构的一个示意图；

图6为本申请实施例提供的姿态识别方法的一个流程示意图；

图7为本申请实施例提供的姿态识别的一个应用例示意图；

图8为本申请实施例提供的姿态识别方法的另一流程示意图；

图9a为本申请实施例提供的姿态识别的另一应用例示意图；

图9b为本申请实施例提供的姿态识别模型的一个结构示意图；

图10为本申请实施例提供的模型训练方法的一个示意图；

图11为本申请实施例提供的投影结果的一个示意图；

图12为本申请实施例提供的模型训练方法的另一示意图；

图13为本申请实施例提供的姿态识别装置的一个结构示意图；

图14为本申请实施例提供的姿态识别装置的另一结构示意图；

图15为本申请实施例提供的模型训练装置的另一结构示意图；

图16为本申请实施例提供的模型训练装置的另一结构示意图；

图17为本申请实施例提供的执行设备的一个结构示意图；

图18为本申请实施例提供的训练设备的一个结构示意图；

图19为本申请实施例提供的芯片的一个结构示意图。

具体实施方式

本申请实施例提供了一种姿态识别方法及其相关设备，对包含目标对象的图像进行处理后所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”并他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

人体动作捕捉技术是影视、游戏行业中常用的技术，该技术可对输入的视频流进行处理，以捕捉每一帧图像中人体的姿态，从而得到人体的运动信息。基于这种技术，可以从海量的视频中提取人体运动时的姿态数据，具有广阔的应用场景，例如，增强现实(augmented reality，AR)场景和虚拟现实(virtual reality，VR)场景中的虚拟人物驱动、远程会议以及元宇宙等等。

目前，可基于AI技术中实现人体动作捕捉。具体地，对于某一个图像而言，可通过已训练的神经网络对该图像中人体所在的区域进行处理，从而得到姿态参数，该姿态参数可用于确定人体的姿态。

如图1所示(图1为相关技术的一个示意图)，在相关技术中，若存在呈现相同环境的多个图像，分别为图像1、图像2和图像3。而人体在这3个图像中，分别位于该环境中的3个位置，且位于不同的位置时，人体的姿态是极度相似的。在这种情况下，神经网络会判定这3个图像中人体的姿态参数是一致的，即判定图像1中人体的姿态1、图像2中人体的姿态2和图像3中人体的姿态3是相同的。但在实际环境中，人体一旦发生移动，虽然人体在不同位置的姿态是相似的，但人体的姿态之间肯定存在细微的差别，如图2所示(图2为相关技术的另一示意图)，从俯视的角度去观察人体在该环境中的3个位置，对于人体的姿态1而言，人体的朝向是侧对(往右倾斜)着相机，对于人体的姿态2而言，人体的朝向是正对着相机，对于人体的姿态3而言，人体的朝向是侧对(往左倾斜)着相机。由此可见，这3个姿态之间的差别，是相关技术中的神经网络所无法识别出来的，导致所捕捉到的人体姿态不够准确，进而影响人体的运动信息的准确度。

为了解决上述问题，本申请实施例提供了一种姿态识别方法，该方法可结合人工智能(artificial intelligence，AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科，AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行图像处理是人工智能常见的一个应用方式。

首先对人工智能系统总体工作流程进行描述，请参见图3，图3为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

接下来介绍几种本申请的应用场景。

图4a为本申请实施例提供的图像处理系统的一个结构示意图，该图像处理系统包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为图像处理的发起端，作为图像处理请求的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的图像处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的图像处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图4a所示的图像处理系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的一张图像，然后向数据处理设备发起请求，使得数据处理设备针对用户设备得到的该图像执行图像处理应用(例如，目标对象的识别姿态等等)，从而得到针对该图像的对应的处理结果。示例性的，用户设备可以获取用户输入的一张图像，然后向数据处理设备发起目标对象的姿态识别请求，使得数据处理设备对该图像进行分类，从而得到图像中目标对象的姿态参数，从而确定图像中目标对象的姿态。

在图4a中，数据处理设备可以执行本申请实施例的图像处理方法。

图4b为本申请实施例提供的图像处理系统的另一结构示意图，在图4b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图4a相似，可参考上面的描述，在此不再赘述。

在图4b所示的图像处理系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户在用户设备中所选择的一张图像，然后再由用户设备自身针对该图像执行图像处理应用(例如目标对象的识别姿态等)，从而得到针对该图像的对应的处理结果。

在图4b中，用户设备自身就可以执行本申请实施例的姿态识别方法。

图4c为本申请实施例提供的图像处理的相关设备的一个示意图。

上述图4a和图4b中的用户设备具体可以是图4c中的本地设备301或者本地设备302，图4a中的数据处理设备具体可以是图4c中的执行设备210，其中，数据存储系统250可以存储执行设备210的待处理数据，数据存储系统250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。

图4a和图4b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对图像执行图像处理应用，从而得到相应的处理结果。

图5为本申请实施例提供的系统100架构的一个示意图，在图5中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中，执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样本。

在图5中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图5仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图5中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。如图5所示，可以根据训练设备120训练得到神经网络。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图5所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图5所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

神经网络处理器NPU，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)中。

向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。

在一些实现种，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器用于存放输入数据以及输出数据。

权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，DDRSDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

神经网络中的每一层的工作可以用数学表达式y＝a(Wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由Wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)反向传播算法

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。

本申请实施例提供的模型训练方法，涉及图像的处理，具体可以应用于数据训练、机器学习、深度学习等数据处理方法，对训练数据(如本申请中的待处理图像)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(如本申请中的姿态识别模型)；并且，本申请实施例提供的姿态识别方法可以运用上述训练好的神经网络，将输入数据(如本申请中的目标图像、目标图像的目标区域)输入到所述训练好的神经网络中，得到输出数据(如本申请中的姿态参数等等)。需要说明的是，本申请实施例提供的模型训练方法和姿态识别方法是基于同一个构思产生的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

图6为本申请实施例提供的姿态识别方法的一个流程示意图，如图6所示，该方法包括：

601、获取目标图像。

本实施例中，当需要对目标图像进行姿态识别时，可先获取目标图像，目标图像可以为视频流中的某一帧图像，也可以为单独的一个图像。目标图像通常呈现有目标对象和目标对象所处的环境，那么，姿态识别的目标是为了获取目标图像中目标对象的姿态。例如，如图7所示(图7为本申请实施例提供的姿态识别的一个应用例示意图)，目标图像所呈现的内容为人体以及人体所处的环境，故对目标图像的姿态识别目标为识别人体在目标图像中所呈现的姿态。

为了减小姿态识别模型的计算量，可对目标图像进行预处理。具体地，可对目标图像进行检测，以确定目标图像中目标对象所在的区域，该区域可称为目标区域(也可以称为检测框)。依旧如上述的例子，在检测出目标图像中人体所在区域后，可将人体所在区域确定为目标区域(即图7中红色框围住的区域)。

进一步地，还可获取目标区域在目标图像中的位置信息，该位置信息可存在多种情况：(1)目标区域在目标图像中的位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于目标图像构建。具体地，可以目标图像的某一个顶点(例如，目标图像左上角的顶点)作为图像坐标系的原点，那么，可确定目标区域的中心点在该图像坐标系中的坐标，以及目标区域的长和宽(也就相当于得到了目标区域的尺寸)，这些信息可用于指示目标区域在目标图像中的位置。(2)目标区域在目标图像中的位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于目标图像构建。具体地，可以目标图像的某一个顶点(例如，目标图像左上角的顶点)作为图像坐标系的原点，那么，可确定目标区域的所有顶点在该图像坐标系中的坐标，这些信息可用于指示目标区域在目标图像中的位置等等。

更进一步地，得到目标区域在目标图像中的位置信息后，还可对该位置信息进行归一化处理，得到归一化处理后的目标区域在目标图像中的位置信息。具体地，设目标区域在目标图像中的位置信息为I，归一化处理后的目标区域在目标图像中的位置信息为I’，那么，I’＝(I-mean(I))/F，F＝sqrt(w×w+h×h)其中，mean(I)为目标区域的均值，w为目标区域的宽，h为目标区域的长。如此一来，得到归一化处理后的信息后，有利于实现后续模型的姿态识别操作。

602、通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域，姿态参数用于获取目标对象的姿态。

得到目标区域以及归一化后的目标区域在目标图像中的位置信息后，可将目标区域以及归一化后的目标区域在目标图像中的位置信息输入至姿态识别模型(为已训练的神经网络)，以通过姿态识别模型对目标图像的目标区域以及归一化后的目标区域在目标图像中的位置信息进行处理(例如，特征提取等一系列操作)，得到姿态参数。那么，基于姿态参数可获取目标图像中目标对象的姿态。

需要说明的是，姿态识别模型不仅可输出姿态参数，还可输出形状参数和位移参数。其中，姿态参数通常由两部分参数构成，一部分参数用于指示目标对象相对于相机的旋转角，另一部分参数用于指示目标对象自身各个关节之间的夹角。形状参数用于指示目标对象的三维形状。位移参数用于指示目标对象在目标区域中所占的幅度，以及目标对象在目标区域中的偏移量(例如，以目标区域的中心点为参考点，目标对象向左偏移的程度或向右偏移的程度)。基于姿态参数、形状参数和位移参数进行计算，可得到目标对象的姿态，目标对象的姿态可通过目标对象的多个三维关键点(3D关键点)进行表示，这些三维关键点可描述目标对象在相机坐标系中的朝向(即目标对象相对于相机的朝向)以及目标对象在相机坐标系中的肢体行为(即目标对象在三维空间中的动作)，其中，该相机坐标系的原点为拍摄目标图像的相机。依旧如上述例子，如图7所示，姿态识别模型输出姿态参数θ、形状参数β和位移参数S、T后，可对这些参数进行计算，得到目标对象的多个3D关键点，这些3D关键点组合在一起，可呈现出目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为。

至此，则完成了目标图像的姿态识别。若目标图像为视频流中的某一帧图像，对于视频流中的其余帧图像，也可执行如同对目标图像所执行的操作，以得到目标对象的连续多个姿态，形成目标对象的运动信息，从而满足用户的各种应用需求。

本申请实施例中，在获取目标图像后，可将目标图像中目标对象所在的目标区域和目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

图8为本申请实施例提供的姿态识别方法的另一流程示意图，如图8所示，该方法包括：

801、获取目标图像。

本实施例中，当需要对目标图像进行姿态识别时，可先获取目标图像，目标图像可以为视频流中的某一帧图像，也可以为单独的一个图像。目标图像通常呈现有目标对象和目标对象所处的环境，那么，姿态识别的目标是为了获取目标图像中目标对象的姿态。例如，如图9a所示(图9a为本申请实施例提供的姿态识别的另一应用例示意图)，目标图像所呈现的内容为人体以及人体所处的环境，故对目标图像的姿态识别目标为识别人体在目标图像中所呈现的姿态。

进一步地，还可获取目标图像中像素点的位置信息，该位置信息包含目标图像中与像素点在图像坐标系中的坐标，图像坐标系基于目标图像构建。具体地，可以目标图像的某一个顶点(例如，目标图像左上角的顶点)作为图像坐标系的原点，那么，可确定目标图像中所有像素点在图像坐标系中的坐标，这些信息可作为姿态识别模型的输入，如此一来，姿态识别模型的输入不仅包含目标图像的每个像素点，还包含目标图像中每个像素点在图像坐标系中的坐标。

更进一步地，得到目标图像中像素点的位置信息后，还可对该位置信息进行归一化处理，得到归一化处理后的目标图像中像素点的位置信息。具体地，设目标图像中像素点的位置信息为I，归一化处理后的目标图像中像素点的位置信息为I’，那么，I’＝(I-mean(I))/F，F＝sqrt(w×w+h×h)其中，mean(I)为目标图像的均值，w为目标图像的宽，h为目标图像的长。如此一来，得到归一化处理后的信息后，有利于实现后续模型的姿态识别操作。

802、通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，姿态参数用于获取目标图像包含的目标对象的姿态。

得到目标图像以及归一化后的目标图像中像素点的位置信息后，可将目标图像以及归一化后的目标图像中像素点的位置信息输入至姿态识别模型(为已训练的神经网络)，以通过姿态识别模型对目标图像的目标区域以及归一化后的目标图像中像素点的位置信息进行处理(例如，特征提取等一系列操作)，得到姿态参数。那么，基于姿态参数可获取目标图像中目标对象的姿态。

如图9b所示(图9b为本申请实施例提供的姿态识别模型的一个结构示意图)，姿态识别模型可包含两部分，一部分为编码器(encoder)，另一部分为多个卷积层(convolution)。其中，编码器接收到目标图像后，可对目标图像进行特征提取处理，得到特征图像(featrue map)，并将特征图像发送至卷积层。多个卷积层可对特征图像和归一化后的目标图像中点的位置信息(location map)进行至少一次卷积处理，得到姿态参数，故可基于该姿态参数确定目标图像中目标对象的姿态。

在一种可能的实现方式中，该方法还包括：通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

关于步骤802的说明，可参考图6所示实施例中步骤602的相关说明部分，此处不再赘述。

应理解，本实施例仅以图9b所示的例子进行示意性介绍，并不对本申请中姿态识别模型的结构构成限制，姿态识别模型还可具备其它各种结构，只要可实现姿态识别功能即可。

本申请实施例中，在获取目标图像后，可将目标图像以及目标图像中像素点的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标图像所呈现的目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

此外，还可将本申请实施例提供的姿态识别模型与相关技术的姿态识别模型进行比较，比较结果如表1和表2所示：

表1

表2

基于表1可知，在数据集一上，相较于其余相关技术，本申请实施例提供的姿态识别模型在各项误差指标上均有明显降低，即本申请实施例提供的姿态识别模型在各项误差指标上均有优越的表现。

基于表2可知，在数据集一和数据集二上，相较于其余相关技术，本申请实施例提供的姿态识别模型在各项误差指标上也均有明显降低，即本申请实施例提供的姿态识别模型在各项误差指标上也均有优越的表现。

以上是对本申请实施例提供的姿态识别方法所进行的详细说明，以下将对本申请实施例提供的模型训练方法进行介绍。图10为本申请实施例提供的模型训练方法的一个示意图，如图10所示，该方法包括：

1001、获取待处理图像。

在需要对待训练模型进行训练时，可获取一批训练样本，即用于训练的待处理图像。值得注意的是，对于待处理图像而言，待处理图像中目标对象的真实姿态是已知的。

得到待处理图像后，可对待处理图像进行检测处理，以确定待处理图像中的目标区域。还可获取目标区域在待处理图像中的位置信息，并对其进行归一化。

在一种可能的实现方式中，目标对象为人体。

在一种可能的实现方式中，目标区域在待处理图像中的位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标区域在待处理图像中的位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

关于步骤1001的说明，可参考图6所示实施例中步骤601的相关说明部分，此处不再赘述。

1002、通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域。

得到待处理图像和归一化后的目标区域在待处理图像中的位置信息后，可将待处理图像和归一化后的目标区域在待处理图像中的位置信息输入至待训练模型，以通过待训练模型对待处理图像的目标区域以及归一化后的目标区域在待处理图像中的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，该方法还包括：通过姿态识别模型对待处理图像的目标区域以及归一化后的目标区域在待处理图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

关于步骤1002的说明，可参考图6所示实施例中步骤602的相关说明部分，此处不再赘述。

1003、基于姿态参数，获取目标对象的预测姿态。

得到姿态参数、形状参数和位移参数后，可基于姿态参数、形状参数和位移参数进行计算，得到目标对象的预测姿态，需要说明的是，目标对象的预测姿态可通过多个预测三维关键点进行表示。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

关于步骤1003的说明，可参考图6所示实施例中步骤602的相关说明部分，此处不再赘述。

1004、基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

得到目标对象的预测姿态后，由于目标对象的真实姿态已知，故可基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型包括：基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。具体地，如图11所示(图11为本申请实施例提供的投影结果的一个示意图)，由于目标对象的预测姿态可通过目标对象的多个预测三维关键点进行表示，且目标对象的预测姿态可通过目标对象的多个真实三维关键点(这些真实三维关键点可提前标记得到，是已知的)进行表示，故可将目标对象的多个预测三维关键点投影至待处理图像上，得到目标对象的多个预测二维关键点(即目标对象的预测姿态在待处理图像上的预测投影结果)，同样地，也可将目标对象的多个真实三维关键点投影至待处理图像上，得到目标对象的多个真实二维关键点(即目标对象的真实姿态在待处理图像上的真实投影结果)。那么，可基于目标对象的多个预测二维关键点和多个真实二维关键点，计算目标损失，目标损失用于指示目标对象的多个预测二维关键点和多个真实二维关键点之间的差异。然后，可基于目标损失对待训练模型的模型参数进行更新，并利用下一批训练样本对更新参数后的待训练模型进行训练(即重新执行步骤1002至步骤1004)，直至满足模型训练条件(例如，目标损失达到收敛等等)，可得到图6所示实施例中的姿态识别模型。

本申请实施例训练得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

图12为本申请实施例提供的模型训练方法的另一示意图，如图12所示，该方法包括：

1201、获取待处理图像。

在需要对待训练模型进行训练时，可获取一批训练样本，即用于训练的待处理图像。值得注意的是，对于待处理图像而言，待处理图像中目标对象的真实姿态是已知的。

得到待处理图像后，可获取目标区域中像素点的位置信息，并对其进行归一化。

在一种可能的实现方式中，目标对象为人体。

在一种可能的实现方式中，待处理图像中像素点的位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

关于步骤1201的说明，可参考图8所示实施例中步骤801的相关说明部分，此处不再赘述。

1202、通过待训练模型对待处理图像以及待处理图像中像素点的位置信息进行处理，得到姿态参数。

得到待处理图像和归一化后的待处理图像中像素点的位置信息后，可将待处理图像和归一化后的待处理图像中像素点的位置信息输入至待训练模型，以通过待训练模型对待处理图像的目标区域以及归一化后的待处理图像中像素点的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，该方法还包括：通过姿态识别模型对待处理图像的目标区域以及归一化后的待处理图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

关于步骤1202的说明，可参考图8所示实施例中步骤802的相关说明部分，此处不再赘述。

1203、基于姿态参数，获取目标对象的预测姿态。

得到姿态参数、形状参数和位移参数后，可基于姿态参数、形状参数和位移参数进行计算，得到目标对象的预测姿态，需要说明的是，目标对象的预测姿态可通过多个预测三维关键点进行表示。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

关于步骤1203的说明，可参考图10所示实施例中步骤1003的相关说明部分，此处不再赘述。

1204、基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

得到目标对象的预测姿态后，由于目标对象的真实姿态已知，故可基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到如图8所示实施例中的姿态识别模型。

在一种可能的实现方式中，基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型：基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

关于步骤1204的说明，可参考图10所示实施例中步骤1004的相关说明部分，此处不再赘述。

本申请实施例训练得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，其输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

以上是对本申请实施例提供的模型训练方法所进行的详细说明，以下将对本申请实施例提供的姿态识别装置和模型训练装置进行介绍。图13为本申请实施例提供的姿态识别装置的一个结构示意图，如图13所示，该装置包括：

获取模块1301，用于获取目标图像；

处理模块1302，用于通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域，姿态参数用于获取目标对象的姿态。

本申请实施例中，在获取目标图像后，可将目标图像中目标对象所在的目标区域和目标区域在目标图像中的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于目标图像构建。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于目标图像构建。

在一种可能的实现方式中，姿态识别模型基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，进行训练得到。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

在一种可能的实现方式中，处理模块1302，还用于通过姿态识别模型对目标图像的目标区域以及目标区域在目标图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标区域在目标图像中的位置信息进行归一化处理，得到归一化后的位置信息；处理模块1302，用于通过姿态识别模型对目标图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

图14为本申请实施例提供的姿态识别装置的另一结构示意图，如图14所示，该装置包括：

获取模块1401，用于获取目标图像；

处理模块1402，用于通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，姿态参数用于获取目标图像包含的目标对象的姿态。

本申请实施例中，在获取目标图像后，可将目标图像以及目标图像中像素点的位置信息输入至姿态识别模型，以通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到姿态参数，故基于姿态参数可获取目标图像所呈现的目标对象的姿态。前述过程中，姿态识别模型的输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型在进行图像处理时，不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于目标图像构建。

在一种可能的实现方式中，姿态识别模型基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，进行训练得到。

在一种可能的实现方式中，目标对象的姿态包括目标对象在相机坐标系中的朝向以及目标对象在相机坐标系中的肢体行为，相机坐标系基于拍摄目标图像的相机构建。

在一种可能的实现方式中，处理模块1402，还用于通过姿态识别模型对目标图像以及目标图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；处理模块1402，用于通过姿态识别模型对目标图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

图15为本申请实施例提供的模型训练装置的另一结构示意图，如图15所示，该装置包括：

第一获取模块1501，用于获取待处理图像；

处理模块1502，用于通过待训练模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到姿态参数，目标区域为目标对象所在的区域；

第二获取模块1503，用于基于姿态参数，获取目标对象的预测姿态；

训练模块1504，用于基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

本申请实施例所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，姿态识别模型的输入不仅包含被裁剪过的目标区域，还包含目标区域在目标图像中的位置信息，故姿态识别模型不仅至考虑了目标区域本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标区域在目标图像中的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，训练模块1504，用于基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括目标区域的中心点在图像坐标系中的坐标以及目标区域的尺寸，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，位置信息包括目标区域的顶点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，处理模块1502，还用于通过姿态识别模型对待处理图像的目标区域以及目标区域在待处理图像中的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对目标区域在待处理图像中的位置信息进行归一化处理，得到归一化后的位置信息；处理模块1502，用于通过待训练模型对待处理图像的目标区域以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

图16为本申请实施例提供的模型训练装置的另一结构示意图，如图16所示，该装置包括：

第一获取模块1601，用于获取待处理图像；

处理模块1602，用于通过待训练模型对待处理图像以及待处理图像中像素点的位置信息进行处理，得到姿态参数；

第二获取模块1603，用于基于姿态参数，获取目标对象的预测姿态；

训练模块1604，用于基于目标对象的预测姿态和目标对象的真实姿态，对待训练模型进行训练，得到姿态识别模型。

本申请实施例所得到的姿态识别模型，可令姿态识别模型感知目标对象在全图中的位置，学习该位置与目标对象的姿态之间的关系，从而更精准地捕捉目标对象的姿态。当姿态识别模型在图像处理时，其输入不仅包含目标图像，还包含目标图像中像素点的位置信息，故姿态识别模型不仅至考虑了目标图像本身的图像信息对目标对象的姿态所造成的影响，还考虑到了目标图像中像素点的位置信息对目标对象的姿态所造成的影响，考虑的因素比较全面，故基于此种方式所得到的目标对象的姿态，具有较高的准确度，进而有利于提高获取到的目标图像的运动信息的准确度。

在一种可能的实现方式中，训练模块1604，用于基于目标对象的预测姿态在待处理图像上的预测投影结果和目标对象的真实姿态在待处理图像上的真实投影结果，对待训练模型进行训练，得到姿态识别模型。

在一种可能的实现方式中，位置信息包括像素点在图像坐标系中的坐标，图像坐标系基于待处理图像构建。

在一种可能的实现方式中，目标对象的预测姿态包括目标对象在相机坐标系中的预测朝向以及目标对象在相机坐标系中的预测肢体行为，相机坐标系基于拍摄待处理图像的相机构建。

在一种可能的实现方式中，处理模块1602，还用于通过姿态识别模型对待处理图像的目标区域以及待处理图像中像素点的位置信息进行处理，得到形状参数和位移参数，姿态参数、形状参数和位移参数共同用于获取目标对象的姿态。

在一种可能的实现方式中，该装置还包括：归一化模块，用于对待处理图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；处理模块1602，用于通过待训练模型对待处理图像以及归一化后的位置信息进行处理，得到姿态参数。

在一种可能的实现方式中，目标对象为人体。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参考本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还涉及一种执行设备，图17为本申请实施例提供的执行设备的一个结构示意图。如图17所示，执行设备1700具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1700上可部署有图13或图14对应实施例中所描述的图像分类装置，用于实现图6或图8对应实施例中姿态识别的功能。具体的，执行设备1700包括：接收器1701、发射器1702、处理器1703和存储器1704(其中执行设备1700中的处理器1703的数量可以一个或多个，图17中以一个处理器为例)，其中，处理器1703可以包括应用处理器17031和通信处理器17032。在本申请的一些实施例中，接收器1701、发射器1702、处理器1703和存储器1704可通过总线或其它方式连接。

存储器1704可以包括只读存储器和随机存取存储器，并向处理器1703提供指令和数据。存储器1704的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1704存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1703控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1703中，或者由处理器1703实现。处理器1703可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1703中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1703可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1703可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1704，处理器1703读取存储器1704中的信息，结合其硬件完成上述方法的步骤。

接收器1701可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1702可用于通过第一接口输出数字或字符信息；发射器1702还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1702还可以包括显示屏等显示设备。

本申请实施例中，在一种情况下，处理器1703，用于通过图6或图8对应实施例中的姿态识别模型，对图像进行姿态识别。

本申请实施例还涉及一种训练设备，图18为本申请实施例提供的训练设备的一个结构示意图。如图18所示，训练设备1800由一个或多个服务器实现，训练设备1800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1814(例如，一个或一个以上处理器)和存储器1832，一个或一个以上存储应用程序1842或数据1844的存储介质1830(例如一个或一个以上海量存储设备)。其中，存储器1832和存储介质1830可以是短暂存储或持久存储。存储在存储介质1830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1814可以设置为与存储介质1830通信，在训练设备1800上执行存储介质1830中的一系列指令操作。

训练设备1800还可以包括一个或一个以上电源1826，一个或一个以上有线或无线网络接口1850，一个或一个以上输入输出接口1858；或，一个或一个以上操作系统1841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

具体的，训练设备可以执行图10或图12对应实施例中的模型训练方法。

本申请实施例还涉及一种计算机存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图19，图19为本申请实施例提供的芯片的一个结构示意图，所述芯片可以表现为神经网络处理器NPU 1900，NPU 1900作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1903，通过控制器1904控制运算电路1903提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1903内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1903是二维脉动阵列。运算电路1903还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1903是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1902中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1901中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1908中。

统一存储器1906用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1905，DMAC被搬运到权重存储器1902中。输入数据也通过DMAC被搬运到统一存储器1906中。

BIU为Bus Interface Unit即，总线接口单元1913，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1909的交互。

总线接口单元1913(Bus Interface Unit，简称BIU)，用于取指存储器1909从外部存储器获取指令，还用于存储单元访问控制器1905从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1906或将权重数据搬运到权重存储器1902中或将输入数据数据搬运到输入存储器1901中。

向量计算单元1907包括多个运算处理单元，在需要的情况下，对运算电路1903的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对预测标签平面进行上采样等。

在一些实现中，向量计算单元1907能将经处理的输出的向量存储到统一存储器1906。例如，向量计算单元1907可以将线性函数；或，非线性函数应用到运算电路1903的输出，例如对卷积层提取的预测标签平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1907生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1903的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1904连接的取指存储器(instruction fetch buffer)1909，用于存储控制器1904使用的指令；

统一存储器1906，输入存储器1901，权重存储器1902以及取指存储器1909均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (33)

1.一种姿态识别方法，其特征在于，所述方法包括：

获取目标图像；

通过姿态识别模型对所述目标图像的目标区域以及所述目标区域在所述目标图像中的位置信息进行处理，得到姿态参数，所述目标区域为目标对象所在的区域，所述姿态参数用于获取所述目标对象的姿态。

2.根据权利要求1所述的方法，其特征在于，所述位置信息包括所述目标区域的中心点在图像坐标系中的坐标以及所述目标区域的尺寸，所述图像坐标系基于所述目标图像构建；或，

所述位置信息包括所述目标区域的顶点在图像坐标系中的坐标，所述图像坐标系基于所述目标图像构建。

3.根据权利要求1或2所述的方法，其特征在于，所述姿态识别模型是基于所述目标对象的预测姿态在待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果进行训练得到的。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述目标对象的姿态包括所述目标对象在相机坐标系中的朝向以及所述目标对象在相机坐标系中的肢体行为，所述相机坐标系基于拍摄所述目标图像的相机构建。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

通过姿态识别模型对所述目标图像的目标区域以及所述目标区域在所述目标图像中的位置信息进行处理，得到形状参数和位移参数，所述姿态参数、所述形状参数和所述位移参数共同用于获取所述目标对象的姿态。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：

对所述目标区域在所述目标图像中的位置信息进行归一化处理，得到归一化后的位置信息；

所述通过姿态识别模型对所述目标图像的目标区域以及所述目标区域在所述目标图像中的位置信息进行处理，得到姿态参数包括：

通过姿态识别模型对所述目标图像的目标区域以及所述归一化后的位置信息进行处理，得到姿态参数。

7.一种姿态识别方法，其特征在于，所述方法包括：

获取目标图像；

通过姿态识别模型对所述目标图像以及所述目标图像中像素点的位置信息进行处理，得到姿态参数，所述姿态参数用于获取所述目标图像包含的目标对象的姿态。

8.根据权利要求7所述的方法，其特征在于，所述位置信息包括像素点在图像坐标系中的坐标，所述图像坐标系基于所述目标图像构建。

9.根据权利要求7或8所述的方法，其特征在于，所述姿态识别模型基于所述目标对象的预测姿态在待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果，进行训练得到。

10.根据权利要求7至9任意一项所述的方法，其特征在于，所述目标对象的姿态包括所述目标对象在相机坐标系中的朝向以及所述目标对象在相机坐标系中的肢体行为，所述相机坐标系基于拍摄所述目标图像的相机构建。

11.根据权利要求7至10任意一项所述的方法，其特征在于，所述方法还包括：

通过姿态识别模型对所述目标图像以及所述目标图像中像素点的位置信息进行处理，得到形状参数和位移参数，所述姿态参数、所述形状参数和所述位移参数共同用于获取所述目标对象的姿态。

12.根据权利要求7至11任意一项所述的方法，其特征在于，所述方法还包括：

对所述目标图像中像素点的位置信息进行归一化处理，得到归一化后的位置信息；

所述通过姿态识别模型对所述目标图像以及所述目标图像中像素点的位置信息进行处理，得到姿态参数包括：

通过姿态识别模型对所述目标图像以及所述归一化后的位置信息进行处理，得到姿态参数。

13.一种模型训练方法，其特征在于，所述方法包括：

获取待处理图像；

通过待训练模型对所述待处理图像的目标区域以及所述目标区域在所述待处理图像中的位置信息进行处理，得到姿态参数，所述目标区域为目标对象所在的区域；

基于所述姿态参数，获取所述目标对象的预测姿态；

基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型。

14.根据权利要求13所述的方法，其特征在于，所述基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型包括：

基于所述目标对象的预测姿态在所述待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果，对所述待训练模型进行训练，得到姿态识别模型。

15.根据权利要求13或14所述的方法，其特征在于，所述位置信息包括所述目标区域的中心点在图像坐标系中的坐标以及所述目标区域的尺寸，所述图像坐标系基于所述待处理图像构建；或，

所述位置信息包括所述目标区域的顶点在图像坐标系中的坐标，所述图像坐标系基于所述待处理图像构建。

16.一种模型训练方法，其特征在于，所述方法包括：

获取待处理图像；

通过待训练模型对所述待处理图像以及所述待处理图像中像素点的位置信息进行处理，得到姿态参数；

基于所述姿态参数，获取所述目标对象的预测姿态；

基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型。

17.根据权利要求16所述的方法，其特征在于，所述基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型包括：

基于所述目标对象的预测姿态在所述待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果，对所述待训练模型进行训练，得到姿态识别模型。

18.根据权利要求16或17所述的方法，其特征在于，所述位置信息包括像素点在图像坐标系中的坐标，所述图像坐标系基于所述待处理图像构建。

19.一种姿态识别装置，其特征在于，所述装置包括：

获取模块，用于获取目标图像；

处理模块，用于通过姿态识别模型对所述目标图像的目标区域以及所述目标区域在所述目标图像中的位置信息进行处理，得到姿态参数，所述目标区域为目标对象所在的区域，所述姿态参数用于获取所述目标对象的姿态。

20.根据权利要求19所述的装置，其特征在于，所述位置信息包括所述目标区域的中心点在图像坐标系中的坐标以及所述目标区域的尺寸，所述图像坐标系基于所述目标图像构建；或，

所述位置信息包括所述目标区域的顶点在图像坐标系中的坐标，所述图像坐标系基于所述目标图像构建。

21.根据权利要求19或20所述的方法，其特征在于，所述姿态识别模型是基于所述目标对象的预测姿态在待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果进行训练得到的。

22.一种姿态识别装置，其特征在于，所述装置包括：

获取模块，用于获取目标图像；

处理模块，用于通过姿态识别模型对所述目标图像以及所述目标图像中像素点的位置信息进行处理，得到姿态参数，所述姿态参数用于获取所述目标图像包含的目标对象的姿态。

23.根据权利要求22所述的装置，其特征在于，所述位置信息包括像素点在图像坐标系中的坐标，所述图像坐标系基于所述目标图像构建。

24.根据权利要求22或23所述的装置，其特征在于，所述姿态识别模型是基于所述目标对象的预测姿态在待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果进行训练得到的。

25.一种模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取待处理图像；

处理模块，用于通过待训练模型对所述待处理图像的目标区域以及所述目标区域在所述待处理图像中的位置信息进行处理，得到姿态参数，所述目标区域为目标对象所在的区域；

第二获取模块，用于基于所述姿态参数，获取所述目标对象的预测姿态；

训练模块，用于基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型。

26.根据权利要求25所述的装置，其特征在于，所述训练模块，用于基于所述目标对象的预测姿态在所述待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果，对所述待训练模型进行训练，得到姿态识别模型。

27.根据权利要求25或26所述的装置，其特征在于，所述位置信息包括所述目标区域的中心点在图像坐标系中的坐标以及所述目标区域的尺寸，所述图像坐标系基于所述待处理图像构建；或，

所述位置信息包括所述目标区域的顶点在图像坐标系中的坐标，所述图像坐标系基于所述待处理图像构建。

28.一种模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取待处理图像；

处理模块，用于通过待训练模型对所述待处理图像以及所述待处理图像中像素点的位置信息进行处理，得到姿态参数；

第二获取模块，用于基于所述姿态参数，获取所述目标对象的预测姿态；

训练模块，用于基于所述目标对象的预测姿态和所述目标对象的真实姿态，对所述待训练模型进行训练，得到姿态识别模型。

29.根据权利要求28所述的装置，其特征在于，所述训练模块，用于基于所述目标对象的预测姿态在所述待处理图像上的预测投影结果和所述目标对象的真实姿态在所述待处理图像上的真实投影结果，对所述待训练模型进行训练，得到姿态识别模型。

30.根据权利要求28或29所述的装置，其特征在于，所述位置信息包括像素点在图像坐标系中的坐标，所述图像坐标系基于所述待处理图像构建。

31.一种姿态识别装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述姿态识别装置执行如权利要求1至18任一所述的方法。

32.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至18任一所述的方法。

33.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至18任意一项所述的方法。

Images