[发明专利]关键点检测模型构建方法、检测方法、装置、设备及介质

权利要求书

1.一种关键点检测模型的构建方法，其特征在于，包括：

获取包含待检测对象的视频图像样本；

将所述视频图像样本输入单帧检测模型，所述单帧检测模型分别对所述视频图像样本的各帧图像中所述待检测对象进行关键点检测，得到第一检测结果，并将所述第一检测结果作为所述各帧图像对应的关键点标注结果；

将所述视频图像样本输入时序模型，所述时序模型分别对所述视频图像样本的各帧图像中所述待检测对象进行关键点检测，得到第二检测结果，并将所述第二检测结果作为所述各帧图像对应的关键点预测结果；

根据所述关键点标注结果和所述关键点预测结果计算所述时序模型的模型损失值，根据所述模型损失值训练所述时序模型，得到关键点检测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关键点标注结果和所述关键点预测结果计算所述时序模型的模型损失值，根据所述模型损失值训练所述时序模型，得到关键点检测模型，包括：

将所述关键点标注结果和所述关键点预测结果输入所述时序模型的损失函数，计算得到所述时序模型的模型损失值；

若所述模型损失值在阈值范围内，则将所述时序模型作为所述关键点检测模型；

若所述模型损失值不在所述阈值范围内，则基于所述时序模型的损失函数，采用反向传播的方法调整所述时序模型的网络权重，对调整后的时序模型进行训练得到所述关键点检测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述时序模型的损失函数，采用反向传播的方法调整所述时序模型的网络权重，对调整后的时序模型进行训练得到所述关键点检测模型，包括：

基于所述反向传播的方法，获取所述损失函数对所述网络权重的梯度；

基于所述梯度，通过梯度下降的方法调整所述时序模型的网络权重；

对调整后的时序模型进行训练，直到所述调整后的时序模型的模型损失值在所述阈值范围内，将所述调整后的时序模型作为所述关键点检测模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述视频图像样本输入时序模型，所述时序模型分别对所述视频图像样本的各帧图像中所述待检测对象进行关键点检测，得到第二检测结果，并将所述第二检测结果作为所述各帧图像对应的关键点预测结果，包括：

获取所述时序模型针对于当前帧图像的初始隐藏层状态；

根据所述时序模型的隐藏层权重、输入层权重、初始隐藏层状态和所述当前帧图像的图像数据，获取所述时序模型针对于所述当前帧图像的隐藏层状态；

根据所述隐藏层状态和所述时序模型的输出层权重，获取所述第二检测结果，作为所述各帧图像对应的关键点预测结果。

5.根据权利要求1所述的方法，其特征在于，所述将所述视频图像样本输入单帧检测模型，所述单帧检测模型分别对所述视频图像样本的各帧图像中所述待检测对象进行关键点检测，得到第一检测结果，并将所述第一检测结果作为所述各帧图像对应的关键点标注结果，包括：

将所述视频图像样本输入所述单帧检测模型，得到所述第一检测结果，并将所述第一检测结果作为所述各帧图像对应的初始标注结果；

获取相邻帧图像间的时序间隔；

根据所述时序间隔以及所述待检测对象的运动属性，获取所述相邻帧图像对所述待检测对象的关键点的位置约束关系；

依序对所述各帧图像的初始标注结果进行修正，以使修正后的所述初始标注结果满足所述位置约束关系，得到所述各帧图像对应的关键点标注结果。

6.一种视频图像的关键点检测方法，其特征在于，包括：

获取待检测的视频图像；

将所述视频图像输入关键点检测模型，获取所述关键点检测模型输出的对所述视频图像中待检测对象的关键点的检测结果；其中，所述关键点检测模型为根据权利要求1至5任一项所述的关键点检测模型的构建方法得到的。