CN115661588A - 基于人体热力图的人体图像质量评估方法及装置 - Google Patents
基于人体热力图的人体图像质量评估方法及装置 Download PDFInfo
- Publication number
- CN115661588A CN115661588A CN202211302860.1A CN202211302860A CN115661588A CN 115661588 A CN115661588 A CN 115661588A CN 202211302860 A CN202211302860 A CN 202211302860A CN 115661588 A CN115661588 A CN 115661588A
- Authority
- CN
- China
- Prior art keywords
- feature map
- human body
- body image
- original
- convolution
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种基于人体热力图的人体图像质量评估方法及装置。该方法包括:将人体图像输入到特征提取网络中;对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;将第三卷积块输出的原始特征图进行归一化,将归一化后的特征图与第四特征图融合,得到第三特征图;将第二卷积块输出的原始特征图进行归一化,将归一化后的特征图与第三特征图融合,得到第二特征图;对第二特征图进行卷积处理,得到多个人体热力图;将最大响应位置处的值作为相应人体关键点的质量分,将人体关键点的质量分进行加权求和,得到人体图像的质量分;基于人体图像的质量分进行评估。本申请提升人体图像质量评估的精度和效率,提高人体图像质量评估结果的可信度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于人体热力图的人体图像质量评估方法及装置。
背景技术
人体图像质量评估可用于评定人体图像是否满足后续行人重识别技术的应用,而在行人重识别中主要关注人体遮挡度、图像模糊度、图像光照等因素。
现有的技术中,通常使用多个卷积神经网络模型来分别评估以上质量问题,例如,目前基于深度学习的人体图像质量评估方法,可以使用人体关键点坐标回归的方式来评估遮挡程度,基于卷积神经网络模型预测图片光照,同样也可以基于卷积神经网络来预测图片模糊度。但是,这种基于多模型的人体图像质量评估方法,不仅耗时而且耗费算力,并且无法综合评估人体图像质量,降低了人体图像质量评估的精度和效率,还降低人体图像质量评估结果的可信度。
发明内容
有鉴于此,本申请实施例提供了一种基于人体热力图的人体图像质量评估方法及装置,以解决现有技术存在的人体图像质量评估方法不仅耗时而且耗费算力,无法综合评估人体图像质量,降低人体图像质量评估的精度和效率,降低人体图像质量评估结果的可信度的问题。
本申请实施例的第一方面,提供了一种基于人体热力图的人体图像质量评估方法,包括:将待评估的人体图像输入到预先配置的特征提取网络中,利用特征提取网络中的卷积块依次输出多个原始特征图;对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图;将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图;对第二特征图进行卷积处理,得到多个人体热力图,其中每个人体热力图对应一个预设的人体关键点;将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个人体关键点对应的权重,将人体关键点的质量分进行加权求和,得到人体图像对应的质量分;基于人体图像的质量分对人体图像的质量进行评估。
本申请实施例的第二方面,提供了一种基于人体热力图的人体图像质量评估装置,包括:输入模块,被配置为将待评估的人体图像输入到预先配置的特征提取网络中,利用特征提取网络中的卷积块依次输出多个原始特征图;反卷积处理模块,被配置为对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;第一融合模块,被配置为将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图;第二融合模块,被配置为将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图;卷积处理模块,被配置为对第二特征图进行卷积处理,得到多个人体热力图,其中每个人体热力图对应一个预设的人体关键点;计算模块,被配置为将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个人体关键点对应的权重,将人体关键点的质量分进行加权求和,得到人体图像对应的质量分;评估模块,被配置为基于人体图像的质量分对人体图像的质量进行评估。
本申请实施例的第三方面,提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过将待评估的人体图像输入到预先配置的特征提取网络中,利用特征提取网络中的卷积块依次输出多个原始特征图;对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图;将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图;对第二特征图进行卷积处理,得到多个人体热力图,其中每个人体热力图对应一个预设的人体关键点;将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个人体关键点对应的权重,将人体关键点的质量分进行加权求和,得到人体图像对应的质量分;基于人体图像的质量分对人体图像的质量进行评估。本申请实现对人体图像质量的综合评估,提升人体图像质量评估的精度和效率,提高人体图像质量评估结果的可信度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本申请实施例提供的基于人体热力图的人体图像质量评估方法在实际场景中的整体流程示意图;
图2是本申请实施例提供的基于人体热力图的人体图像质量评估方法的流程示意图;
图3是本申请实施例提供的基于人体热力图的人体图像质量评估装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
人体图像质量评估可用于评定人体图像是否满足后续行人重识别技术的应用,而在行人重识别中主要关注人体遮挡度、图像模糊度、图像光照等因素。
现有的技术中,通常使用多个卷积神经网络模型来分别评估以上质量问题,例如,目前基于深度学习的人体图像质量评估方法,可以使用人体关键点坐标回归的方式来评估遮挡程度,基于卷积神经网络模型预测图片光照,同样也可以基于卷积神经网络来预测图片模糊度。但是,这种基于多模型的人体图像质量评估方法,不仅耗时而且耗费算力,并且无法综合评估人体图像质量,降低了人体图像质量评估的精度和效率,还降低人体图像质量评估结果的可信度。
有鉴于此,本申请实施例为解决上述人体图像质量评估问题,通过对ResNet50网络进行改进,设计一种对空间信息和细节特征更为敏感的特征提取网络,经过特征图的提取和融合得到第二特征图,对第二特征图进行卷积得到多个人体热力图,计算人体热力图中预设人体关键点的质量分,将全部人体关键点的质量分按照权重进行加权求和,得到用于评价人体图像质量的质量分。本申请基于人体热力图的关键点预测的方法来评估人体图像质量,可综合反映出人体遮挡、光照、图片模糊等多种影响因素,不仅提升了人体图像质量评估的精度和效率,还提高了人体图像质量评估结果的可信度。下面结合附图以及具体实施例对本申请技术方案的内容进行详细描述。
图1是本申请实施例提供的基于人体热力图的人体图像质量评估方法在实际场景中的整体流程示意图。如图1所示,该基于人体热力图的人体图像质量评估方法的整体流程具体可以包括:
在第一个处理阶段中,将人体图像输入到基于ResNet50改进后的特征提取网络中去,利用特征提取网络中的卷积块依次提取特征图,在将人体图像输入到特征提取网络中之前,对人体图像依次执行卷积、归一化、激活函数以及最大池化操作,人体图像在特征提取网络中一共经过了4个卷积块的处理,生成了5个特征图,将这5个特征图记为layer0至layer4,其中,第一原始特征图对应的维度为[320,192,64],第二原始特征图对应的维度为[160,96,128],第三原始特征图对应的维度为[80,48,256],第四原始特征图对应的维度为[40,24,512],第五原始特征图对应的维度为[20,12,1024]。
在第二个处理阶段中,将第四卷积块输出的原始特征图(即第五原始特征图)送入反卷积层进行反卷积处理,得到第四特征图P4,第四特征图P4的维度为[40,24,512];接着,将第三卷积块输出的原始特征图(即第四原始特征图)进行归一化处理,使其维度与第四特征图P4一致,得到归一化处理后的特征图C3,并且将特征图C3与第四特征图P4相加,然后经过反卷积层Deconv layer得到第三特征图P3,第三特征图P3的维度为[80,48,256];最后,将第二卷积块输出的原始特征图(即第三原始特征图)进行归一化处理,使其维度与第三特征图P3一致,从而得到归一化处理后的特征图C2,并且将特征图C2与第三特征图P3相加,然后经过反卷积层Deconv layer得到第二特征图P2,第二特征图P2的维度为[160,96,128],至此,得到了对位置信息更为敏感的第二特征图P2。
在第三个处理阶段中,将第二特征图P2经过一个卷积层的处理,最终得到维度为[160,96,12]的人体热力图,本申请实施例中共生成12张人体热力图,每一张人体热力图包含一个人体关键点的位置信息;在最后的后处理模块中,将每个人体关键点对应的人体热力图最大响应位置处的数值作为该人体关键点的质量得分,根据预设的每个人体关键点的权重,将12个人体关键点的质量得分进行加权求和,得到最终的人体图像的质量分,基于人体图像的质量分对人体图像质量进行评估。
下面基于图1所示的整体流程示意图,对本申请基于人体热力图的人体图像质量评估方法的实现过程进行详细描述。
图2是本申请实施例提供的基于人体热力图的人体图像质量评估方法的流程示意图。图2的基于人体热力图的人体图像质量评估方法可以由服务器执行。如图2所示,该基于人体热力图的人体图像质量评估方法具体可以包括:
S201,将待评估的人体图像输入到预先配置的特征提取网络中,利用特征提取网络中的卷积块依次输出多个原始特征图;
S202,对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;
S203,将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图;
S204,将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图;
S205,对第二特征图进行卷积处理,得到多个人体热力图,其中每个人体热力图对应一个预设的人体关键点;
S206,将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个人体关键点对应的权重,将人体关键点的质量分进行加权求和,得到人体图像对应的质量分;
S207,基于人体图像的质量分对人体图像的质量进行评估。
具体地,本申请实施例的特征提取网络是基于对ResNet50进行改进后得到的卷积神经网络,特征提取网络是对细节特征更敏感的主干特征网络,相比于传统的ResNet50,本申请实施例的特征提取网络对空间信息和细节特征更为敏感。在深度学习领域,热图有助于了解一张图像的哪一部分让神经网络做出了最终的分类决策,热图的产生有两种方式,一种是高斯热图,一种是由Grad-Cam产生的激活类热图,热图可以反映检测目标的位置。
在一些实施例中,在将待评估的人体图像输入到预先配置的特征提取网络中之前,该方法还包括:对人体图像依次执行卷积、归一化、激活函数和最大池化操作,得到用于作为第一卷积块输入的原始特征图。
具体地,在将人体图像输入到特征提取网络之前,将人体图像的大小调整为[640,384,3],对调整后的人体图像依次执行卷积、归一化、激活函数和最大池化操作,即经过Conv2d+BN+Relu+MaxPool2d处理,将处理后的特征图作为特征提取网络的输入。
进一步地,在特征提取网络中,利用依次排列的4个卷积块对特征图进行处理,依次得到layer0至layer4(即第一原始特征图至第五原始特征图),因此,本申请实施例的特征提取网络中共包含4个卷积块,每个卷积块均输出一个原始特征图,需要说明的是,第一个卷积块的输入是上述经过Conv2d+BN+Relu+MaxPool2d处理后得到的原始特征图。
在一些实施例中,对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图,包括:将第四卷积块输出的原始特征图输入到反卷积层中,利用反卷积层对第四卷积块输出的原始特征图依次执行卷积、归一化和激活函数操作,并输出第四特征图。
具体地,将第四卷积块输出的第五原始特征图输入到反卷积层Deconv layer,利用反卷积层Deconv layer对第五原始特征图进行处理,反卷积层Deconv layer的处理操作包括依次排列的卷积、归一化和激活函数操作,即ConvTranspose2D+BN+Relu,经过反卷积处理输出的第四特征图P4的维度为[40,24,512]。
在一些实施例中,将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图,包括:将第三卷积块输出的原始特征图进行归一化处理,得到与第四特征图具有相同维度的特征图,将与第四特征图具有相同维度的特征图与第四特征图之间进行融合,对融合后的特征图进行反卷积处理,得到第三特征图。
具体地,为了得到更多的空间信息特征和高层语义,本申请实施例将第四特征图与更高层的第四原始特征图layer3融合,首先,将第三卷积块输出的第四原始特征图layer3经过norm layer(即归一化处理),使其维度与第四特征图P4的维度保持一致,归一化处理操作包括Conv2d+BN+Relu,经过norm layer归一化处理之后,得到与第四特征图具有相同维度的特征图C3,其维度为[40,24,512],将特征图C3与第四特征图P4相互叠加,然后将叠加后的特征图输入到反卷积层Deconv layer进行处理,得到第三特征图P3,其维度为[80,48,256]。
在一些实施例中,将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图,包括:将第二卷积层输出的原始特征图进行归一化处理,得到与第三特征图具有相同维度的特征图,将与第三特征图具有相同维度的特征图与第三特征图之间进行融合,对融合后的特征图进行反卷积处理,得到第二特征图。
具体地,为了得到更多的空间信息特征和高层语义,本申请实施例还将第三特征图与更高层的第三原始特征图layer2融合,首先,将第二卷积块输出的第三原始特征图layer2经过norm layer(即归一化处理),使其维度与第三特征图P3的维度保持一致,归一化处理操作包括Conv2d+BN+Relu,经过norm layer归一化处理之后,得到与第三特征图具有相同维度的特征图C2,其维度为[80,48,256],将特征图C2与第三特征图P3相互叠加,然后将叠加后的特征图输入到反卷积层Deconv layer进行处理,得到第二特征图P2,其维度为[160,96,128]。至此,得到对位置信息更为敏感的第二特征图P2。
在一些实施例中,对第二特征图进行卷积处理,得到多个人体热力图,包括:将第二特征图输入到卷积层中,利用卷积层对第二特征图进行卷积处理,得到与第二特征图相对应的多个人体热力图,其中,人体热力图中包含人体关键点的位置信息,位置信息包括人体关键点在人体热力图中的高斯分布。
具体地,在得到对位置信息更为敏感的第二特征图P2之后,将第二特征图P2输入一个卷积层中,得到该卷积层输出的维度为[160,96,12]的热力图(即人体热力图),每一张人体热力图中包含相应人体关键点的位置信息,在实际应用中,本申请实施例共输出12张人体热力图。
进一步地,本申请实施例的人体关键点可以包括以下12个关键点:左肩、右肩、左肘、右肘、左手腕、右手腕、左髋、右髋、左膝、右膝、左脚踝、右脚踝。每一个人体热力图对应一个人体关键点,即每个人体热力图中包含一个人体关键点对应的位置信息,人体关键点的位置信息可以用高斯分布表示。
在一些实施例中,将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,包括:根据人体热力图中人体关键点的位置信息,将人体热力图中高斯函数最大值对应的位置处的数值作为人体关键点的质量分,其中,每个人体热力图对应一个人体关键点的质量分。
具体地,在得到人体关键点的热力图之后,本申请实施例使用后处理模块进行预测,得到人体图像的质量分,具体操作包括:计算每个人体关键点的人体热力图在最大响应位置处的数值(即计算高斯函数的最大值),将该数值作为该人体关键点对应的质量得分,例如计算第i个关键点的得分为:score[i]=max(heatmap[:,:,i])。
进一步地,根据每个人体关键点的重要性给予不同的权重weight,在一个具体示例中,每个人体关键点对应的权重为:左肩、右肩、左肘、右肘、左手腕、右手腕、左髋、右髋、左膝、右膝、左脚踝、右脚踝的权重分别为0.6,0.6,0.25,0.25,0.15,0.15,0.6,0.6,0.25,0.25,0.15,0.15。最后,基于12张人体热力图对应的人体关键点的质量得分以及权重,将12个人体关键点的质量得分与权重进行加权求和,得到人体图像的整体质量分,例如可以采用以下公式进行加权求和:
其中,Human_score表示人体图像的整体质量分,scorei表示每个人体关键点的质量得分,weighti表示每个人体关键点的权重。
根据本申请实施例提供的技术方案,本申请提出使用人体关键点热力图的方式来评估人体图像质量,本申请采用热力图回归对人体12个关键点(左肩、右肩、左肘、右肘、左手腕、右手腕、左髋、右髋、左膝、右膝、左脚踝、右脚踝)进行预测,将计算得到的每个关键点热力图在最大响应处的值作为该关键点的得分,这个得分可以反映多种图像质量问题(比如遮挡、图片模糊、图片过亮、图片过暗等),当人体图像质量较低时,这个得分就会变得比较低。最后根据每个关键点的重要程度分配不同的权重系数,将权重系数与相应关键点的得分相乘得到最终的人体图像质量分。本申请不仅实现了对人体图像质量的综合评估,还提升了人体图像质量评估的精度和效率,提高人体图像质量评估结果的可信度。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图3是本申请实施例提供的基于人体热力图的人体图像质量评估装置的结构示意图。如图3所示,该基于人体热力图的人体图像质量评估装置包括:
输入模块301,被配置为将待评估的人体图像输入到预先配置的特征提取网络中,利用特征提取网络中的卷积块依次输出多个原始特征图;
反卷积处理模块302,被配置为对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;
第一融合模块303,被配置为将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第四特征图进行融合,得到第三特征图;
第二融合模块304,被配置为将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与第三特征图进行融合,得到第二特征图;
卷积处理模块305,被配置为对第二特征图进行卷积处理,得到多个人体热力图,其中每个人体热力图对应一个预设的人体关键点;
计算模块306,被配置为将每个人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个人体关键点对应的权重,将人体关键点的质量分进行加权求和,得到人体图像对应的质量分;
评估模块307,被配置为基于人体图像的质量分对人体图像的质量进行评估。
在一些实施例中,图3的输入模块301在将待评估的人体图像输入到预先配置的特征提取网络中之前,对人体图像依次执行卷积、归一化、激活函数和最大池化操作,得到用于作为第一卷积块输入的原始特征图。
在一些实施例中,图3的反卷积处理模块302将第四卷积块输出的原始特征图输入到反卷积层中,利用反卷积层对第四卷积块输出的原始特征图依次执行卷积、归一化和激活函数操作,并输出第四特征图。
在一些实施例中,图3的第一融合模块303将第三卷积块输出的原始特征图进行归一化处理,得到与第四特征图具有相同维度的特征图,将与第四特征图具有相同维度的特征图与第四特征图之间进行融合,对融合后的特征图进行反卷积处理,得到第三特征图。
在一些实施例中,图3的第二融合模块304将第二卷积层输出的原始特征图进行归一化处理,得到与第三特征图具有相同维度的特征图,将与第三特征图具有相同维度的特征图与第三特征图之间进行融合,对融合后的特征图进行反卷积处理,得到第二特征图。
在一些实施例中,图3的卷积处理模块305将第二特征图输入到卷积层中,利用卷积层对第二特征图进行卷积处理,得到与第二特征图相对应的多个人体热力图,其中,人体热力图中包含人体关键点的位置信息,位置信息包括人体关键点在人体热力图中的高斯分布。
在一些实施例中,图3的计算模块306根据人体热力图中人体关键点的位置信息,将人体热力图中高斯函数最大值对应的位置处的数值作为人体关键点的质量分,其中,每个人体热力图对应一个人体关键点的质量分。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图4是本申请实施例提供的电子设备4的结构示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人体热力图的人体图像质量评估方法,其特征在于,包括:
将待评估的人体图像输入到预先配置的特征提取网络中,利用所述特征提取网络中的卷积块依次输出多个原始特征图;
对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;
将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第四特征图进行融合,得到第三特征图;
将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第三特征图进行融合,得到第二特征图;
对所述第二特征图进行卷积处理,得到多个人体热力图,其中每个所述人体热力图对应一个预设的人体关键点;
将每个所述人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个所述人体关键点对应的权重,将所述人体关键点的质量分进行加权求和,得到所述人体图像对应的质量分;
基于所述人体图像的质量分对所述人体图像的质量进行评估。
2.根据权利要求1所述的方法,其特征在于,在所述将待评估的人体图像输入到预先配置的特征提取网络中之前,所述方法还包括:
对所述人体图像依次执行卷积、归一化、激活函数和最大池化操作,得到用于作为第一卷积块输入的原始特征图。
3.根据权利要求1所述的方法,其特征在于,所述对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图,包括:
将所述第四卷积块输出的原始特征图输入到反卷积层中,利用所述反卷积层对所述第四卷积块输出的原始特征图依次执行卷积、归一化和激活函数操作,并输出所述第四特征图。
4.根据权利要求1所述的方法,其特征在于,所述将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第四特征图进行融合,得到第三特征图,包括:
将所述第三卷积块输出的原始特征图进行归一化处理,得到与所述第四特征图具有相同维度的特征图,将与所述第四特征图具有相同维度的特征图与所述第四特征图之间进行融合,对融合后的特征图进行反卷积处理,得到所述第三特征图。
5.根据权利要求1所述的方法,其特征在于,所述将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第三特征图进行融合,得到第二特征图,包括:
将所述第二卷积层输出的原始特征图进行归一化处理,得到与所述第三特征图具有相同维度的特征图,将与所述第三特征图具有相同维度的特征图与所述第三特征图之间进行融合,对融合后的特征图进行反卷积处理,得到所述第二特征图。
6.根据权利要求1所述的方法,其特征在于,所述对所述第二特征图进行卷积处理,得到多个人体热力图,包括:
将所述第二特征图输入到卷积层中,利用所述卷积层对所述第二特征图进行卷积处理,得到与所述第二特征图相对应的多个人体热力图,其中,所述人体热力图中包含所述人体关键点的位置信息,所述位置信息包括所述人体关键点在所述人体热力图中的高斯分布。
7.根据权利要求6所述的方法,其特征在于,所述将每个所述人体热力图中最大响应位置处的值作为相应人体关键点的质量分,包括:
根据所述人体热力图中所述人体关键点的位置信息,将所述人体热力图中高斯函数最大值对应的位置处的数值作为所述人体关键点的质量分,其中,每个所述人体热力图对应一个所述人体关键点的质量分。
8.一种基于人体热力图的人体图像质量评估装置,其特征在于,包括:
输入模块,被配置为将待评估的人体图像输入到预先配置的特征提取网络中,利用所述特征提取网络中的卷积块依次输出多个原始特征图;
反卷积处理模块,被配置为对第四卷积块输出的原始特征图进行反卷积处理,得到第四特征图;
第一融合模块,被配置为将第三卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第四特征图进行融合,得到第三特征图;
第二融合模块,被配置为将第二卷积块输出的原始特征图进行归一化处理,将归一化处理后的特征图与所述第三特征图进行融合,得到第二特征图;
卷积处理模块,被配置为对所述第二特征图进行卷积处理,得到多个人体热力图,其中每个所述人体热力图对应一个预设的人体关键点;
计算模块,被配置为将每个所述人体热力图中最大响应位置处的值作为相应人体关键点的质量分,依据预设的每个所述人体关键点对应的权重,将所述人体关键点的质量分进行加权求和,得到所述人体图像对应的质量分;
评估模块,被配置为基于所述人体图像的质量分对所述人体图像的质量进行评估。
9.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302860.1A CN115661588A (zh) | 2022-10-24 | 2022-10-24 | 基于人体热力图的人体图像质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302860.1A CN115661588A (zh) | 2022-10-24 | 2022-10-24 | 基于人体热力图的人体图像质量评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661588A true CN115661588A (zh) | 2023-01-31 |
Family
ID=84991593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211302860.1A Pending CN115661588A (zh) | 2022-10-24 | 2022-10-24 | 基于人体热力图的人体图像质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661588A (zh) |
-
2022
- 2022-10-24 CN CN202211302860.1A patent/CN115661588A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
WO2020207190A1 (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN111340077A (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN112257578A (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN111553215A (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
WO2021115061A1 (zh) | 图像分割方法、装置及服务器 | |
CN111985414B (zh) | 一种关节点位置确定方法及装置 | |
CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
CN115512258A (zh) | 一种视频图像的脱敏方法、装置、终端设备和存储介质 | |
CN115049717A (zh) | 一种深度估计方法及装置 | |
CN116612500B (zh) | 行人重识别模型训练方法及装置 | |
CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
CN115661588A (zh) | 基于人体热力图的人体图像质量评估方法及装置 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN115034225A (zh) | 应用于医学领域的词语处理方法、装置、电子设备和介质 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 | |
CN111027824A (zh) | 一种风险评分的方法及装置 | |
CN115984661B (zh) | 目标检测中的多尺度特征图融合方法、装置、设备及介质 | |
CN115018918B (zh) | 三维坐标的确定方法、装置、电子设备及存储介质 | |
CN115345937A (zh) | 三维坐标的确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |