CN116012876A - 生物特征关键点检测方法、装置、终端设备及存储介质 - Google Patents

Abstract

本发明属于生物特征检测技术领域，公开了生物特征关键点检测方法、装置、终端设备及存储介质，其中，生物特征关键点检测方法包括：获取待检测图像，所述待检测图像包含被局部遮挡的生物特征，输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点，输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。本发明能实现对生物特征图像的关键点遮挡属性的精确检测，适应不同遮挡场景的关键点检测要求，也能以较低标注成本，获得被局部遮挡的生物特征图像的关键点数据。

Description

生物特征关键点检测方法、装置、终端设备及存储介质

技术领域

本发明属于生物特征检测技术领域，尤其涉及一种生物特征关键点检测方法、装置、终端设备及存储介质。

背景技术

在生物特征的相关检测中，需要对生物特征图像的关键点进行精确检测，从而为后续生物特征图像的识别提供基础。但是实际应用场景中，经常会出现生物特征图像被局部遮挡的情况，给生物特征图像的关键点精确检测带来困难。

针对局部遮挡生物特征图像，由于现有的局部遮挡生物特征图像数据量较少，并且难以对图像中遮挡区域的关键点进行标注，基于数据驱动的相关深度学习技术对局部遮挡生物特征图像关键点的检测精确度较低。

发明内容

有鉴于此，本申请实施例提供了一种生物特征关键点检测方法、装置、终端设备及存储介质，能实现对生物特征图像的关键点遮挡属性的精确检测，适应不同遮挡场景的关键点检测要求，也能以较低标注成本，获得被局部遮挡的生物特征图像的关键点数据。

第一方面，本申请实施例提供了一种生物特征关键点检测方法，包括：

获取待检测图像，所述待检测图像包含被局部遮挡的生物特征；

输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点；

输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

第二方面，本申请实施例提供了一种生物特征关键点检测装置，包括：

图像获取模块，用于获取待检测图像，所述待检测图像包含被局部遮挡的生物特征；

可见关键点检测模块，用于输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点；

不可见关键点检测模块，用于输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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第一方面所述的方法的步骤。

第四方面，本申请实施例提供了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，所述计算机程序被处理器执行时实现如本发明实施例的第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的方法的步骤。

本发明第一方面提供的生物特征关键点检测方法，通过获取待检测图像，待检测图像包含被局部遮挡的生物特征，输入待检测图像到已训练的第一检测模型中，得到已训练的第一检测模型输出的待检测图像的可见关键点，输入可见关键点到已训练的第二检测模型中，得到已训练的第二检测模型输出的待检测图像的不可见关键点，可以实现对生物特征图像的关键点遮挡属性的精确检测，适应不同遮挡场景的关键点检测要求，也能以较低标注成本，获得被遮挡的生物特征图像的关键点数据。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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他的附图。

图1是本发明实施例提供的生物特征关键点检测方法的第一种流程示意图；

图2是本发明实施例提供的生物特征关键点检测方法的第二种流程示意图；

图3是本发明实施例提供的生物特征关键点检测方法的第三种流程示意图；

图4是本发明实施例提供的生物特征关键点检测方法的第四种流程示意图；

图5是本发明实施例提供的生物特征关键点检测装置的结构示意图；

图6是本发明实施例提供的终端设备的结构示意图。

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。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的生物特征关键点检测方法，可以由终端设备的处理器在运行具有相应功能的计算机程序时执行，通过获取待检测图像，待检测图像包含被局部遮挡的生物特征，输入待检测图像到已训练的第一检测模型中，得到已训练的第一检测模型输出的待检测图像的可见关键点，输入可见关键点到已训练的第二检测模型中，得到已训练的第二检测模型输出的待检测图像的不可见关键点，可以实现对生物特征图像的关键点遮挡属性的精确检测，适应不同遮挡场景的关键点检测要求，也能以较低标注成本，获得被局部遮挡的生物特征图像的关键点数据。

在应用中，终端设备可以是平板电脑(Tablet Personal Computer，Tablet PC)、笔记本电脑(Laptop)、个人计算机(Personal Computer，PC)、(云)服务器(Server)等能够实现数据处理功能的计算设备，本申请实施例对终端设备的具体类型不作任何限制。

如图1所示，在一个实施例中，本申请实施例提供的生物特征关键点检测方法，包括如下步骤S101至步骤S103：

步骤S101、获取待检测图像，所述待检测图像包含被局部遮挡的生物特征，进入步骤S102。

在应用中，可以通过任意具有图像采集功能的图像采集设备来采集待检测图像，例如相机、手机、平板、平板电脑、扫描仪等，也可以从终端设备的本地存储空间中获取待检测图像，或者，与终端设备通信的任意其它设备(例如，远程服务器)的存储空间中获取待检测图像，例如，从远程服务器的开放图像数据库中获取需要的待检测图像。其中，所需获取的待检测图像的数量可以根据实际应用需要进行确定，例如，1张、50张、200张等。

在应用中，待检测图像可以是戴口罩人脸图像、戴眼镜人脸图像等包含被局部遮挡的生物特征的图像，可以根据实际应用场景进行确定。

步骤S102、输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点，进入步骤S103。

在应用中，将待检测图像输入到已训练的第一检测模型中，得到已训练的第一检测模型输出的待检测图像的可见关键点的相关信息，例如，可见关键点的坐标值，关键点的遮挡属性值等。

步骤S103、输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

在应用中，将步骤S102中得到的可见关键点输入到已训练的第二检测模型中，得到已训练的第二检测模型输出的待检测图像的不可见关键点的坐标值。

如图2所示，在一个实施例中，步骤S102之前，包括如下步骤S201至步骤S205：

步骤S201、获取第一样本图像，所述第一样本图像包含被局部遮挡的生物特征，进入步骤S202。

在应用中，获取第一样本图像的具体描述可以参照步骤S101中的相关内容，在此不再赘述。

步骤S202、输入所述第一样本图像到已训练的第三检测模型中，得到所述已训练的第三检测模型输出的第二样本图像，所述第二样本图像只包含被局部遮挡的生物特征区域，进入步骤S203。

如图3所示，在一个实施例中，步骤S202包括如下步骤S301至步骤S302：

步骤S301、输入所述第一样本图像到所述已训练的第三检测模型中，得到所述已训练的第三检测模型输出的目标区域框，进入步骤S302。

在应用中，所述已训练的第三检测模型可以是单步多框检测模型(Single ShotMultiBox Detector，SSD)、多任务卷积神经网络(Multi-task Convolutional NeuralNetwork，MTCNN)、方向梯度直方图模型(Histogram of Oriented Gradient，HOG)等任意区域检测模型，可以根据实际应用场景需要选择不同的模型。

步骤S302、根据所述目标区域框，裁剪所述第一样本图像，得到所述第二样本图像，所述第二样本图像只包含被局部遮挡的生物特征区域。

在应用中，根据目标区域框，保留位于目标区域框之内的第一样本图像，去除位于目标区域框之外的第一样本图像，得到第二样本图像。

步骤S203、标注所述第二样本图像，得到第三样本图像，进入步骤S204。

在一个实施例中，步骤S203包括：标注所述第二样本图像的可见关键点的位置，标注所述第二样本图像的可见关键点的属性为可见，标注所述第二样本图像的不可见关键点的属性为不可见，得到所述第三样本图像。

步骤S204、建立第一检测模型，进入步骤S205。

在一个实施例中，所述第一检测模型包括主干网络、特征融合网络和检测头；

所述主干网络用于提取所述第三样本图像的特征图；

所述特征融合网络用于根据所述特征图，进行上采样和特征融合；

所述检测头用于进行关键点热图的回归。

在应用中，主干网络可以是VGG网络、残差网络(Residual Network，ResNet)、高分辨率深度神经网络(High-Resolution Network，HRNet)、适用于移动端(Mobile)或嵌入式设备的Mobile Net等任意特征提取网络，可以根据实际应用场景选择不同的网络。主干网络可以对输入的第三样本图像进行特征提取，得到不同层次中的不同尺度大小的特征图。

在应用中，特征融合网络可以是特征金字塔网络(Feature Pyramid Network，FPN)，将主干网络提取的深层次特征图进行上采样，得到上采样特征图，并将上采样特征图与浅层次的同样尺度大小的特征图进行连接融合，得到融合特征图，通过逐层次地将具有较多语义信息的低分辨率特征图和具有较多空间信息的高分辨率特征图进行融合，得到输出特征图。

在应用中，检测头可以由一定数量的卷积层连接组成，可以根据实际应用需要设置具体层级结构。检测头可以根据输入的特征图进行关键点热图的回归。

步骤S205、根据所述第三样本图像，训练所述第一检测模型，得到所述已训练的第一检测模型。

在应用中，可以在训练过程中对第三样本图像进行数据增强，例如，随机裁剪、旋转、缩放、遮挡、模糊等增强操作。

在应用中，可以只根据第三样本图像的可见关键点坐标，生成训练热图(Heatmap)。其中，每一个可见关键点对应一幅热图，每幅热图给出了第三样本图像的每个像素的概率，每个像素的概率代表该像素点属于对应类别可见关键点的概率，距离对应类别可见关键点越近的像素的概率越接近于1，距离对应类别可见关键点越远的像素的概率越接近于0，例如，可以利用二维高斯函数来生成每个可见关键点对应的高斯热图。在实际应用中，为了提高计算效率，可以根据实际需要，减小生成的热图大小，例如，热图为第三样本图像的二分之一大小，或者，热图为第三样本图像的四分之一大小等。

在应用中，在训练阶段，输入第三样本图像，第一检测模型前向输出预测热图，计算训练热图和预测热图之间的均方误差损失(Mean Square Error Loss)，当均方误差损失收敛到不再继续降低时，停止训练，得到已训练的可见关键点检测模型。

在应用中，在预测阶段，输入待检测图像到已训练的第一检测模型中，已训练的第一检测模型输出预测热图，其中，每个关键点对应一幅预测热图，关键点数目为预测热图的通道数，例如，待检测图像包括n个关键点，则预测热图包括了n个通道；根据预测热图，通过argmax函数或者softargmax函数求出预测热图每个通道最大值点的坐标和对应的概率值，当关键点为可见关键点时，最大值点的概率值较高，当关键点为不可见关键点时，最大值点的概率值较低，可以根据概率值的大小，判断关键点是否可见。

如图4所示，在一个实施例中，步骤S103之前，包括如下步骤S401至步骤S405：

步骤S401、获取第四样本图像，所述第四样本图像包含已标注全部关键点的无遮挡的生物特征，进入步骤S402。

在应用中，可以通过先获取未标注的无遮挡的生物特征图像，再标注图像中生物特征的全部关键点，得到第四样本图像，也可以从终端设备的本地存储空间中获取第四样本图像，或者，与终端设备通信的任意其它设备(例如，远程服务器)的存储空间中获取第四样本图像，例如，从远程服务器的开放图像数据库中获取需要的第四样本图像。其中，所需获取的第四样本图像的数量可以根据实际应用需要进行确定，例如，1张、50张、200张等。

步骤S402、根据所述第四样本图像，擦除预设数量个关键点，得到训练点集，进入步骤S403。

在应用中，可以根据实际应用场景中可能被遮挡的关键点个数和关键点位置，擦除任意区域的任意数量个关键点，设置被擦除的关键点的值为0，将未被擦除的关键点作为可见关键点，将被擦除的关键点作为不可见关键点，得到训练点集，例如，擦除区域可以为眼睛区域的关键点、鼻子和嘴巴区域的关键点等，擦除数量可以为10个、15个、30个等。

步骤S403、建立第二检测模型，进入步骤S404。

在一个实施例中，所述第二检测模型为多层感知机。

在应用中，多层感知机可以包括输入层、隐藏层和输出层，其中，隐藏层的层数和每层隐藏层的节点数可以根据实际应用需要进行调整，本申请实施例不作限定。

步骤S404、根据所述训练点集，训练所述第二检测模型，得到所述已训练的第二检测模型。

在应用中，将训练点集的坐标输入第二检测模型中，第二检测模型输出完整的预测关键点位置，计算预测关键点坐标和实际完整关键点坐标之间的损失，例如，L1损失(均绝对损失)、L2损失(均方损失)等，当损失收敛到不再继续降低时，停止训练，得到已训练的不可见关键点检测模型。

本申请实施例还提供了一种生物特征关键点检测装置，用于执行上述生物特征关键点检测方法实施例中的步骤。该装置可以是终端设备中的虚拟装置(virtualappliance)，由终端设备的处理器运行，也可以是终端设备本身。

如图5所示，本申请实施例提供的生物特征关键点检测装置100，包括：

图像获取模块101，用于获取待检测图像，所述待检测图像包含被局部遮挡的生物特征，进入可见关键点检测模块102；

可见关键点检测模块102，用于输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点，进入不可见关键点检测模块103；

不可见关键点检测模块103，用于输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

在应用中，上述装置中的各单元可以为软件程序模块，也可以通过处理器中集成的不同逻辑电路或与处理器连接的独立物理部件实现，还可以通过多个分布式处理器实现。

如图6所示，本申请实施例还提供一种终端设备200，包括：至少一个处理器201(图中仅示出一个处理器)、存储器202以及存储在存储器202中并可在至少一个处理器201上运行的计算机程序203，处理器201执行计算机程序203时实现上述各个生物特征关键点检测方法实施例中的步骤。

在应用中，终端设备可包括，但不仅限于，处理器以及存储器。本领域技术人员可以理解，图6仅仅是终端设备的举例，并不构成对终端设备的限定，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，还可以包括输入输出设备、网络接入设备等。

在应用中，处理器可以是中央处理模块(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、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。

在应用中，存储器在一些实施例中可以是终端设备的内部存储模块，例如，终端设备的硬盘或内存。所述存储器在另一些实施例中也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储模块也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

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。

需要说明的是，上述装置/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，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

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，即将所述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。

本申请实施例还提供了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，所述计算机程序被处理器执行时可实现上述各个生物特征关键点检测方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个生物特征关键点检测方法实施例中的步骤。

所述集成的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取存储介质中。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，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/测试设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质，例如，U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

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/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如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。

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单元来实现本实施例方案的目的。

以上所述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)

1.一种生物特征关键点检测方法，其特征在于，包括：

获取待检测图像，所述待检测图像包含被局部遮挡的生物特征；

输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点；

输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

2.如权利要求1所述的生物特征关键点检测方法，其特征在于，所述输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点之前，包括：

获取第一样本图像，所述第一样本图像包含被局部遮挡的生物特征；

输入所述第一样本图像到已训练的第三检测模型中，得到所述已训练的第三检测模型输出的第二样本图像，所述第二样本图像只包含被局部遮挡的生物特征区域；

标注所述第二样本图像，得到第三样本图像；

建立第一检测模型；

根据所述第三样本图像，训练所述第一检测模型，得到所述已训练的第一检测模型。

3.如权利要求2所述的生物特征关键点检测方法，其特征在于，所述输入所述第一样本图像到已训练的第三检测模型中，得到所述已训练的第三检测模型输出的第二样本图像，包括：

输入所述第一样本图像到所述已训练的第三检测模型中，得到所述已训练的第三检测模型输出的目标区域框；

根据所述目标区域框，裁剪所述第一样本图像，得到所述第二样本图像，所述第二样本图像只包含被局部遮挡的生物特征区域。

4.如权利要求2所述的生物特征关键点检测方法，其特征在于，所述标注所述第二样本图像，得到第三样本图像，包括：

标注所述第二样本图像的可见关键点的位置，标注所述第二样本图像的可见关键点的属性为可见，标注所述第二样本图像的不可见关键点的属性为不可见，得到所述第三样本图像。

5.如权利要求2所述的生物特征关键点检测方法，其特征在于，所述第一检测模型包括主干网络、特征融合网络和检测头；

所述主干网络用于提取所述第三样本图像的特征图；

所述特征融合网络用于根据所述特征图，进行上采样和特征融合；

所述检测头用于进行关键点热图的回归。

6.如权利要求1所述的生物特征关键点检测方法，其特征在于，所述输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点之前，包括：

获取第四样本图像，所述第四样本图像包含已标注全部关键点的无遮挡的生物特征；

根据所述第四样本图像，擦除预设数量个关键点，得到训练点集；

建立第二检测模型；

根据所述训练点集，训练所述第二检测模型，得到所述已训练的第二检测模型。

7.如权利要求6所述的生物特征关键点检测方法，其特征在于，所述第二检测模型为多层感知机。

8.一种生物特征关键点检测装置，其特征在于，包括：

图像获取模块，用于获取待检测图像，所述待检测图像包含被局部遮挡的生物特征；

可见关键点检测模块，用于输入所述待检测图像到已训练的第一检测模型中，得到所述已训练的第一检测模型输出的所述待检测图像的可见关键点；

不可见关键点检测模块，用于输入所述可见关键点到已训练的第二检测模型中，得到所述已训练的第二检测模型输出的所述待检测图像的不可见关键点。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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任一项所述的方法的步骤。

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任一项所述的方法的步骤。

Images