[发明专利]一种关于图像关键点检测的神经网络模型建立方法

说明书

一种关于图像关键点检测的神经网络模型建立方法，其特征在于，包括如下步骤：获取图像关键点数据集步骤，所述数据集由多个图像及图像关键点的原始位置坐标组成；预处理所述数据集步骤，将数据集中的图像统一缩放至指定尺寸，将所述图像上各像素值进行归一化；数据集分类步骤，将预处理后的所述数据集分为测试集、验证集及测试集；数据训练步骤，将测试集中的数据输入神经网络模型中进行训练，得到多个误差值；修正神经网络模型参数步骤，用所述数据训练步骤得到的每个误差值反向输入所述神经网络模型，以修正所述神经网络模型的参数，并用测试集及验证集数据对修正后的模型进行验证和测试，得到最终的神经网络模型。

技术领域

本发明涉及计算机领域，尤其涉及一种关于图像关键点检测的神经网络模型建立方法。

背景技术

目前，人体尺寸的测量主要依赖于人工。随着智能手机的普及，图像的采集越来越方便。图像处理技术可利用计算机等设备对图像自动处理，提取图像中有用的数据。利用图像处理技术，可以对图像中人体轮廓进行特征提取，进而对特征数据处理来获取人体尺寸信息进行后续处理。传统的图像处理方法通过图像分割得到着衣人体轮廓，需要后续处理才能得到净体轮廓特征用于人体测量，鲁棒性不够高。深度神经网络是一种强大的图像处理工具，利用图像不同层次的特征能有效的提取图像中的信息。利用深度神经网络，结合大量的人体轮廓特征数据集，可以通过端到端的方式直接通过人体图像获得人体轮廓特征。相较于传统的图像处理方式，针对不同环境下不同体型的人体图像，深度神经网络提取图像中人体轮廓特征有更高的准确性和鲁棒性。

发明内容

基于以上问题，本发明设计一种关于图像关键点检测的神经网络模型建立方法，其包括如下步骤：

获取图像关键点数据集步骤，所述数据集由多个图像及图像关键点的原始位置坐标组成；

预处理所述数据集步骤，将数据集中的图像统一缩放至指定尺寸，并将轮廓关键点的原始位置坐标映射至缩放后的图像上，然后将所述图像上各像素值进行归一化；

数据集分类步骤，将预处理后的所述数据集分为测试集、验证集及测试集；

数据训练步骤，将测试集中的数据输入神经网络模型中进行训练，输出训练后的轮廓关键点预测位置坐标，并将其与原始位置坐标进行计算，得到多个误差值；

修正神经网络模型参数步骤，用所述数据训练步骤得到的每个误差值反向输入所述神经网络模型，以修正所述神经网络模型的参数。

进一步的，在所述修正神经网络模型参数步骤之后，还包括验证神经网络模型的步骤，其方法为，将所述验证集的数据在多个修正后的神经网络模型上执行一次数据训练步骤，计算验证集上每个数据的平均误差值，保存平均误差值最小的验证神经网络模型。

进一步的，在验证神经网络模型的步骤之后，将所述测试集数据输入所述验证神经网络模型，计算测试集上每个数据的测试平均误差值，经过多次数据训练、验证及测试后，所述测试集上平均误差最小的神经网络模型为最终的神经网络模型。

进一步的，数据训练步骤为：将归一化的图像数据输入特征提取模块，特征提取模块输出图像低级特征的响应值，所述响应值经过一个Hourglass模块及一个Bottle模块的计算后，输出到FC全连接层，FC的全连接层输出到Score层，该结构可以不断重复，最后一个阶段的输出值为Score层的激活值，Score层每个通道对应于一个关键点的热图预测，热图数值最大的坐标即为网络对于该特征点的预测。

进一步的，所述特征提取模块为VGG16、VGG19或者ResNet模型。