CN115641355A - 用于检测骨架的方法、装置、设备、介质和产品 - Google Patents

Abstract

本公开提供了用于检测骨架的方法、装置、设备、介质和产品，涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域，可应用于体育训练等场景。具体实现方案为：获取目标图像；确定目标图像中的基准骨架关键点对应的位置信息；基于基准骨架关键点对应的位置信息，确定目标图像中的各个骨架关键点对应的位置信息；基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。本实现方式可以提高骨架检测的精准度。

Description

用于检测骨架的方法、装置、设备、介质和产品

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于体育训练等场景。

背景技术

目前，在体育训练场景中，教练需要人工判定运动员的动作姿态是否标准，用以在运动员的动作姿势不标准的情况下及时纠正，达到更好的训练效果。

在实践中发现，基于教练人工判定运动员的动作姿态，需要教练肉眼推测运动员的骨架状态，然而，这一过程存在着依赖于人工经验，精准度较低的问题。可见，如何实现更精准的骨架检测成为了亟需解决的问题。

发明内容

本公开提供了一种用于检测骨架的方法、装置、设备、介质和产品。

根据本公开的一方面，提供了一种用于检测骨架的方法，包括：获取目标图像；确定目标图像中的基准骨架关键点对应的位置信息；基于基准骨架关键点对应的位置信息，确定目标图像中的各个骨架关键点对应的位置信息；基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。

根据本公开的另一方面，提供了一种用于检测骨架的装置，包括：图像获取单元，被配置成获取目标图像；基准确定单元，被配置成确定目标图像中的基准骨架关键点对应的位置信息；关键点位置确定单元，被配置成基于基准骨架关键点对应的位置信息，确定目标图像中的各个骨架关键点对应的位置信息；骨架生成单元，被配置成基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。

根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于检测骨架的方法。

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，其中，计算机指令用于使计算机执行如上任意一项用于检测骨架的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于检测骨架的方法。

根据本公开的技术，提供一种用于检测骨架的方法，能够提高骨架检测的精准度。

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于检测骨架的方法的一个实施例的流程图；

图3是根据本公开的用于检测骨架的方法的一个应用场景的示意图；

图4是根据本公开的用于检测骨架的方法的另一个实施例的流程图；

图5是根据本公开的用于检测骨架的装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的用于检测骨架的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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以为手机、电脑以及平板等电子设备，终端设备101、102、103可以获取包含需要进行骨架检测的目标对象的目标图像，并将目标图像发送给服务器105，以使服务器105生成目标图像对应的目标骨架，终端设备101、102、103再在目标图像上输出目标骨架。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于电视、智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如，服务器105可以获取终端设备101、102、103传输的目标图像，并确定目标图像中的基准骨架关键点对应的位置信息，基于该位置信息，确定各个骨架关键点相对于基准骨架关键点对应的位置信息，再结合预设的骨架关键点连接信息，生成目标图像对应的目标骨架，并将所生成的目标骨架返回给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的用于检测骨架的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于检测骨架的装置可以设置于终端设备101、102、103中，也可以设于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于检测骨架的方法的一个实施例的流程200。本实施例的用于检测骨架的方法，包括以下步骤：

步骤201，获取目标图像。

在本实施例中，执行主体(如图1中的终端设备101、102、103或者服务器105)可以获取需要进行检测骨架检测的目标图像，其中，目标图像中可以包括需要进行骨架检测的目标对象，如需要进行骨架检测的运动员。具体的，执行主体可以从本地存储数据中获取目标图像，也可以从预先建立连接的其他电子设备中获取目标图像，本实施例对此不做限定。可选的，执行主体可以先获取初始图像，再基于骨架检测需求，对初始图像进行处理，得到目标图像。具体的，执行主体可以先分析目标图像中出现的目标对象的姿势轮廓信息，确定与该姿势轮廓信息相匹配的运动类别，基于运动类别从初始图像中提取至少一个指定部位的图像，得到目标图像。

步骤202，确定目标图像中的基准骨架关键点对应的位置信息。

在本实施例中，基准骨架关键点指的是作为基准的、目标对象的骨架中的指定关键点。在实际应用中，可以针对目标对象的不同骨架关节设定不同的关键点，这里的骨架关节可以包括但不限于肘关节、膝关节、胯部关节等。可选的，对于每个骨架关节，执行主体可以确定该骨架关节对应的边缘轮廓点，再基于边缘轮廓点所组成的边缘轮廓，确定边缘轮廓的中心点，作为该骨架关节的关键点，用以基于关键点的位置表示各个骨架关节对应的位置，这里的关键点也即是骨架关键点。进一步的，位置信息为用于描述基准骨架关键点对应的位置的信息，其表现形式可以为二维坐标、三维坐标等，本实施例对此不做限定。

步骤203，基于基准骨架关键点对应的位置信息，确定目标图像中的各个骨架关键点对应的位置信息。

在本实施例中，执行主体在获取基准骨架关键点对应的位置信息之后，可以将该基准骨架关键点的位置信息作为位置基准。对于目标图像中的各个骨架关键点，确定各个骨架关键点相对于位置基准的相对位置，将各个骨架关键点相对于位置基准的相对位置确定为各个骨架关键点对应的位置信息。其中，各个骨架关键点对应的位置信息的表现形式可以为相对于位置基准的二维坐标、相对于位置基准的三维坐标等，本实施例对此不做限定。

需要说明的是，步骤202至步骤203可以由执行主体中预先训练好的神经网络模型执行，预先训练好的神经网络模型基于输入的目标图像，输出各个骨架关键点对应的位置信息。

在本实施例的一些可选的实现方式中，上述的预先训练好的神经网络模型基于以下步骤训练得到：获取样本图像以及样本标注信息；基于骨干网络提取样本图像的图像特征；基于预先设定的滑动窗口，选取样本图像中的指定区域，对指定区域的图像特征进行特征识别，得到各个候选区域；候选区域指的是可能存在目标对象的区域；之后，执行主体可以对各个指定区域进行池化，并在池化过程中使用预设的尺寸统一方式，实现各个指定区域对应的特征图的尺寸统一，得到对齐池化后各个指定区域对应的特征图。其中，预设的尺寸统一方式可以包括但不限于单线性差值、双线性差值、三线性差值等。之后，执行主体可以将对齐池化后各个指定区域对应的特征图输入用于预测骨架关键的全连接网络，得到全连接网络输出的预测值；基于预测值与样本标注信息之间的差异，构建损失函数，对全连接网络进行训练，得到预先训练好的神经网络模型。

在本实施例的另一些可选的实现方式中，还可以执行以下步骤：执行主体将对齐池化后各个指定区域对应的特征图输入用于生成包围框的全连接网络，得到全连接网络输出的包围盒子；基于输出的包围盒子的长度、宽度以及指定顶点坐标与样本标注信息进行比对，基于真值与预测值之间的差异对全连接网络进行训练，得到训练好的包围盒子生成模型。

在本实施例的另一些可选的实现方式中，还可以执行以下步骤：执行主体将对齐池化后各个指定区域对应的特征图输入用于生成二维骨架的卷积网络，得到卷积神经网络输出的二维关键点集合；基于二维关键点集合和样本标注信息中的真实二维关键点进行比对，对卷积神经网络进行训练，得到训练好的二维关键点生成模型。可选的，真实二维关键点的表现形式可以为标注的二维关键点特征图，以及二维关键点集合的表现形式可以为与预测的二维关键点对应的特征图，基于特征图的比对，进行交叉熵损失计算，以此构造损失函数，对卷积神经网络进行训练。

步骤204，基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。

在本实施例中，预设的骨架关键点连接信息用于描述各个骨架关键点之间的连接关系，如预先设定的拓扑排序。执行主体可以先基于各个骨架关键点对应的位置信息确定各个骨架关键点对应的位置，再基于骨架关键点连接信息所指示的连接方式，将各个骨架关键点对应的位置进行连接，得到目标骨架。执行主体还可以输出目标骨架，具体可以将目标骨架作为单独的图像输出，也可以将目标骨架和目标图像进行合成，输出合成后的图像，本实施例对此不做限定。

在本实施例的一些可选的实现方式中，还可以执行以下步骤：基于目标图像和训练好的包围盒子生成模型，确定目标图像中的目标对象对应的包围盒子，该包围盒子用于在目标图像中框选出目标对象所在区域；在目标图像中标注该包围盒子，得到标注后的目标图像，并输出标注后的目标图像。其中，执行主体可以先基于骨干网络提取目标图像的图像特征，再确定目标图像的各个候选区域，对于候选区域的确定与对样本图像的候选区域的确定类似，在此不再赘述。之后，执行主体可以对各个指定区域进行池化，并在池化过程中使用预设的尺寸统一方式，实现各个指定区域对应的特征图的尺寸统一，得到对齐池化后各个指定区域对应的特征图。之后，执行主体可以将对齐池化后各个指定区域对应的特征图输入训练好的包围盒子生成模型，得到模型输出的目标图像中的目标对象对应的包围盒子。

在本实施例的一些可选的实现方式中，还可以执行以下步骤：基于目标图像和上述训练好的卷积神经网络，确定目标图像对应的各个二维关键点，并将各个二维关键点按照预设的拓扑顺序进行连接，得到二维骨架。在目标图像中标注二维骨架，得到标注后的目标图像，并输出标注后的目标图像。优选的，执行主体可以在目标图像上标注二维骨架、目标骨架、包围盒子中的任意组合，并输出标注后的目标图像。另一种可选的，执行主体也可以为二维骨架、目标骨架、包围盒子单独生成相应的图像，并输出二维骨架、目标骨架或者包围盒子单独对应的图像。进一步的，执行主体可以通过将上述对齐池化后各个指定区域对应的特征图输入训练好的卷积神经网络，得到目标图像对应的各个二维关键点。

继续参见图3，其示出了根据本公开的用于检测骨架的方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以获取目标图像301，在此应用场景下，目标图像301具体为在体育活动过程中包含运动员的图像。之后，执行主体可以确定目标图像301中的运动员的基准骨架关键点对应的位置信息，如运动员的胯部关节在目标图像301中的位置信息。之后，执行主体可以将运动员的胯部关节的位置作为位置基准，生成运动员的各个骨架关键点对应的位置信息，如生成运动员的各个骨架关节对应的位置。之后，执行主体可以基于预设的拓扑顺序，将各个骨架关节对应的位置进行连接，生成目标骨架304。优选的，目标骨架304优选为三维坐标形式的各个骨架关节坐标构成的骨架，其中，运动员的胯部关节的位置坐标可以定义为(0，0，0)。可选的，执行主体还可以基于目标图像301和训练好的包围盒子生成模型生成包围盒子302，以及基于目标图像301和训练好的卷积神经网络生成二维骨架303。之后，执行主体可以在目标图像301中标注包围盒子302以及二维骨架303，得到标注后的目标图像301。以及将目标图像301和目标骨架对应的图像进行合成，得到合成后的目标图像301，并输出合成后的目标图像301。

本公开上述实施例提供的用于检测骨架的方法，能够基于基准骨架关键点对应的位置信息，确定各个骨架关键点对应的位置信息，对于三维形式的骨架关键点坐标而言，能够有效降低三维解空间，从而提高了骨架关键点的预测效率。并且基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息生成目标骨架，能够实现自动化地基于运动员图像预测运动员的骨架，用以进行姿态矫正，相较于人工凭经验推测骨架形状进行姿态矫正的方式，能够提高骨架检测精准度。

继续参见图4，其示出了根据本公开的用于检测骨架的方法的另一个实施例的流程400。如图4所示，本实施例的用于检测骨架的方法可以包括以下步骤：

步骤401，获取目标图像。

在本实施例中，对于步骤401的详细描述请参照对于步骤201的详细描述，在此不再赘述。

步骤402，在目标图像中确定目标对象所处的目标区域。

在本实施例中，目标图像中包含需要检测骨架的目标对象，在进行骨架检测时，可以先基于图像特征识别，确定出目标对象所处的目标区域。这里的目标区域可以采用上述训练好的包围盒子生成模型进行确定，此时的目标区域的表现形式即为包围盒子生成模型基于目标图像输出的包围盒子。

步骤403，输出目标区域。

在本实施例中，执行主体可以在目标图像中标注目标区域，得到标注后的目标图像，并输出标注后的目标图像。又或者，执行主体也可以生成目标区域对应的图像，并输出目标区域对应的图像。

步骤404，将目标对象的中心骨架关节确定为预设的骨架关节。

在本实施例中，执行主体可以预先存储目标对象各个骨架关节的关节信息，关节信息可以包括但不限于肘关节、膝关节、胯部关节等，本实施例对此不做限定。优选的，执行主体可以将预先设定的中心骨架关节确定为预设的骨架关节。对于目标对象为人体的情况，预先设定的中心骨架关节通常为处于人体中心位置的胯部关节。在实际应用中，也可以将其他关节确定为预设的骨架关节，但是相比较于中心骨架关节而言，其他关节作为位置基准标注各个骨架关键点的位置坐标效果较差。

步骤405，在目标区域中确定预设的骨架关节对应的关键点坐标。

在本实施例中，执行主体可以在上述的目标区域中检测预设的骨架关节，并进一步确定该预设的骨架关节对应的关键点坐标。这里的关键点坐标用于描述骨架关节在目标图像中的位置坐标。后续在将预设的骨架关节作为位置基准时，可以将预设的骨架关节对应的坐标确定为原点坐标。

步骤406，基于关键点坐标，生成位置信息。

在本实施例中，执行主体可以基于关键点坐标生成用于描述关键点坐标的位置信息，位置信息的形式可以直接为坐标形式、也可以为其他能够描述关键点坐标的形式，本实施例对此不做限定。

步骤407，对于目标图像中的每个骨架关键点，基于该骨架关键点与基准骨架关键点之间的距离，确定该骨架关键点对应的坐标信息。

在本实施例中，基准骨架关键点即为上述预设的骨架关节对应的关键点。执行主体可以将上述预设的骨架关节作为位置基准，基于各个骨架关键点与位置基准之间的相对距离，生成各个骨架关键点对应的坐标信息。

步骤408，基于各个骨架关键点的坐标信息，生成各个骨架关键点对应的位置信息。

在本实施例中，执行主体基于各个骨架关键点的坐标信息所生成的各个骨架关键点对应的位置信息的具体形式可以为坐标集合的形式、也可以为其他能够描述各个骨架关键点的坐标信息的形式，本实施例对此不做限定。

步骤409，基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。

在本实施例中，各个骨架关键点对应的位置信息包括各个骨架关键点对应的三维坐标。其中，对于步骤409的详细描述请参照对于步骤204的详细描述，在此不再赘述。

步骤410，确定目标图像对应的各个二维骨架关键点坐标。

在本实施例中，执行主体还可以基于上述训练好的卷积神经网络确定目标图像对应的各个二维骨架关键点坐标。对于二维骨架关键点坐标的确定的详细描述请参照上述描述，在此不再赘述。

步骤411，基于各个二维骨架关键点坐标，生成目标图像对应的二维骨架。

在本实施例中，执行主体可以预先存储二维骨架关键点坐标对应的连接信息，之后，基于该连接信息，将各个二维骨架关键点坐标进行连接，得到目标图像对应的二维骨架。

步骤412，输出二维骨架和目标骨架，目标骨架为三维坐标组成的三维骨架。

在本实施例中，在上述骨架关键点坐标为三维坐标的情况下，执行主体确定得到的目标骨架可以为三维坐标组成的三维骨架。执行主体可以同时输出二维骨架和目标骨架，也可以只输出二维骨架，或者只输出目标骨架，本实施例对此不做限定。

步骤413，基于目标骨架，确定目标图像中目标对象的运动姿态信息。

在本实施例中，执行主体可以基于目标骨架的姿态信息，确定目标图像中目标对象的运动姿态信息。其中，运动姿态信息可以包括但不限于姿态类别、姿态标准程度等。对于运动姿态信息的确定可以采用现有的姿态识别技术确定得到。

在本实施例的一些可选的实现方式中，基于目标骨架，确定目标图像中目标对象的运动姿态信息可以包括：确定目标骨架对应的姿态类别；确定该姿态类别对应的标准姿态；将目标骨架对应的骨架姿态与标准姿态进行匹配，得到姿态匹配度；基于姿态匹配度，确定目标骨架的姿态标准程度。

步骤414，响应于确定运动姿态信息满足预设的姿态条件，输出姿势矫正预警信息。

在本实施例中，执行主体可以预先设置需要进行姿态矫正的姿态条件，如运动姿态信息中的姿态标准程度处于预设的不标准范围、运动姿态信息中的姿态匹配度小于预设的阈值、运动姿态信息中的运动姿态参数处于参数异常区间等，本实施例对此不做限定。在执行主体确定出运动姿态信息满足预设的姿态条件的情况下，执行主体可以输出姿态矫正预警信息，用以提示及时对姿态进行矫正。姿态矫正预警信息的形式可以为声音提醒形式、图像提醒形式、文本提醒形式等，本实施例对此不做限定。

本公开的上述实施例提供的用于检测骨架的方法，还可以先确定目标图像中目标对象所处的目标区域，并且还可以输出目标区域，提高了输出内容的丰富度。并且，执行主体还可以将目标对象的中心骨架关键点作为位置基准，基于其他各个骨架关键点与该位置基准的相对位置确定各个骨架关键点的位置信息，从而结合骨架关键点连接信息，生成目标图像对应的目标骨架，提高了目标骨架的生成精准度。以及，执行主体还可以确定目标图像对应的二维骨架，并且同时输出二维骨架与三维骨架，进一步提高了输出内容的丰富度。以及，在得到目标骨架之后，可以基于目标骨架确定目标对象的运动姿态是否需要进行矫正，以此在需要进行矫正的情况下及时输出预警，提高了运动员姿态矫正的智能化程度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于检测骨架的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。

如图5所示，本实施例的用于检测骨架的装置500包括：图像获取单元501、基准确定单元502、关键点位置确定单元503和骨架生成单元504。

图像获取单元501，被配置成获取目标图像。

基准确定单元502，被配置成确定目标图像中的基准骨架关键点对应的位置信息。

关键点位置确定单元503，被配置成基于基准骨架关键点对应的位置信息，确定目标图像中的各个骨架关键点对应的位置信息。

骨架生成单元504，被配置成基于各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成目标图像对应的目标骨架。

在本实施例的一些可选的实现方式中，基准确定单元502进一步被配置成：在目标图像中确定目标对象所处的目标区域；在目标区域中确定预设的骨架关节对应的关键点坐标；基于关键点坐标，生成位置信息。

在本实施例的一些可选的实现方式中，上述装置还包括：关节确定单元，被配置成将目标对象的中心骨架关节确定为预设的骨架关节。

在本实施例的一些可选的实现方式中，上述装置还包括：区域输出单元，被配置成输出目标区域。

在本实施例的一些可选的实现方式中，关键点位置确定单元503进一步被配置成：对于目标图像中的每个骨架关键点，基于该骨架关键点与基准骨架关键点之间的距离，确定该骨架关键点对应的坐标信息；基于各个骨架关键点的坐标信息，生成各个骨架关键点对应的位置信息。

在本实施例的一些可选的实现方式中，上述装置还包括：预警输出单元，被配置成基于目标骨架，确定目标图像中目标对象的运动姿态信息；响应于确定运动姿态信息满足预设的姿态条件，输出姿势矫正预警信息。

在本实施例的一些可选的实现方式中，各个骨架关键点对应的位置信息包括各个骨架关键点对应的三维坐标；以及，装置还包括：骨架输出单元，被配置成确定目标图像对应的各个二维骨架关键点坐标；基于各个二维骨架关键点坐标，生成目标图像对应的二维骨架；输出二维骨架和目标骨架，目标骨架为三维坐标组成的三维骨架。

应当理解，用于检测骨架的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用车载通话的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如用于检测骨架的方法。例如，在一些实施例中，用于检测骨架的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于检测骨架的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于检测骨架的方法。

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 (17)

1.一种用于检测骨架的方法，包括：

获取目标图像；

确定所述目标图像中的基准骨架关键点对应的位置信息；

基于所述基准骨架关键点对应的位置信息，确定所述目标图像中的各个骨架关键点对应的位置信息；

基于所述各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成所述目标图像对应的目标骨架。

2.根据权利要求1所述的方法，其中，所述确定所述目标图像中的基准骨架关键点对应的位置信息，包括：

在所述目标图像中确定目标对象所处的目标区域；

在所述目标区域中确定预设的骨架关节对应的关键点坐标；

基于所述关键点坐标，生成所述位置信息。

3.根据权利要求2所述的方法，其中，所述方法还包括：

将所述目标对象的中心骨架关节确定为所述预设的骨架关节。

4.根据权利要求2所述的方法，其中，所述方法还包括：

输出所述目标区域。

5.根据权利要求1所述的方法，其中，所述基于所述基准骨架关键点对应的位置信息，确定所述目标图像中的各个骨架关键点对应的位置信息，包括：

对于所述目标图像中的每个骨架关键点，基于该骨架关键点与所述基准骨架关键点之间的距离，确定该骨架关键点对应的坐标信息；

基于所述各个骨架关键点的坐标信息，生成所述各个骨架关键点对应的位置信息。

6.根据权利要求1所述的方法，其中，所述方法还包括：

基于所述目标骨架，确定所述目标图像中目标对象的运动姿态信息；

响应于确定所述运动姿态信息满足预设的姿态条件，输出姿势矫正预警信息。

7.根据权利要求1所述的方法，其中，所述各个骨架关键点对应的位置信息包括所述各个骨架关键点对应的三维坐标；以及

所述方法还包括：

确定所述目标图像对应的各个二维骨架关键点坐标；

基于所述各个二维骨架关键点坐标，生成所述目标图像对应的二维骨架；

输出所述二维骨架和所述目标骨架，所述目标骨架为三维坐标组成的三维骨架。

8.一种用于检测骨架的装置，包括：

图像获取单元，被配置成获取目标图像；

基准确定单元，被配置成确定所述目标图像中的基准骨架关键点对应的位置信息；

关键点位置确定单元，被配置成基于所述基准骨架关键点对应的位置信息，确定所述目标图像中的各个骨架关键点对应的位置信息；

骨架生成单元，被配置成基于所述各个骨架关键点对应的位置信息和预设的骨架关键点连接信息，生成所述目标图像对应的目标骨架。

9.根据权利要求8所述的装置，其中，所述基准确定单元进一步被配置成：

在所述目标图像中确定目标对象所处的目标区域；

在所述目标区域中确定预设的骨架关节对应的关键点坐标；

基于所述关键点坐标，生成所述位置信息。

10.根据权利要求9所述的装置，其中，所述装置还包括：

关节确定单元，被配置成将所述目标对象的中心骨架关节确定为所述预设的骨架关节。

11.根据权利要求9所述的装置，其中，所述装置还包括：

区域输出单元，被配置成输出所述目标区域。

12.根据权利要求8所述的装置，其中，所述关键点位置确定单元进一步被配置成：

对于所述目标图像中的每个骨架关键点，基于该骨架关键点与所述基准骨架关键点之间的距离，确定该骨架关键点对应的坐标信息；

基于所述各个骨架关键点的坐标信息，生成所述各个骨架关键点对应的位置信息。

13.根据权利要求8所述的装置，其中，所述装置还包括：

预警输出单元，被配置成基于所述目标骨架，确定所述目标图像中目标对象的运动姿态信息；响应于确定所述运动姿态信息满足预设的姿态条件，输出姿势矫正预警信息。

14.根据权利要求8所述的装置，其中，所述各个骨架关键点对应的位置信息包括所述各个骨架关键点对应的三维坐标；以及

所述装置还包括：

骨架输出单元，被配置成确定所述目标图像对应的各个二维骨架关键点坐标；基于所述各个二维骨架关键点坐标，生成所述目标图像对应的二维骨架；输出所述二维骨架和所述目标骨架，所述目标骨架为三维坐标组成的三维骨架。

15.一种电子设备，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1-7中任一项所述的方法。

16.一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1-7中任一项所述的方法。

17.一种计算机程序产品，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1-7中任一项所述的方法。

Images