[发明专利]关键点的识别方法、装置及存储介质

说明书

本公开公开了一种关键点的识别方法、装置及存储介质，涉及深度学习、计算机视觉等人工智能技术领域。具体实现方案为：将包含目标物体的图片输入包括M层卷积层的预设卷积神经网络，获取每层卷积层输出的初始特征图，其中，M为大于2的自然数；根据初始特征图，获取与每层卷积层对应的参考特征图；分别获取与每个参考特征图的热力图，并根据热力图和对应的参考特征图获取每个参考特征图的候选特征图；根据所有候选特征图，获取目标物体的关键点信息。由此，提高了关键点识别的精确度。

技术领域

本公开涉及深度学习、计算机视觉等人工智能技术领域，尤其涉及一种关键点的识别方法、装置及存储介质。

背景技术

关键点识别作为计算机视觉领域的重要分支，具有重要意义，比如手势识别目前越来越多地被用于人机交互、手语翻译等场景。

相关技术中，主要使用轻量级检测算法检测图片中的手势关键点，比如，基于无锚点的检测方案，先预测物体中心点和类别，同时预测物体框四边到中心点的长宽，最终按照得分高低筛选出目标框。基于人体关键点几何推理的人手检测方案，先检测人体关键点，然后根据手肘和手腕的位置形成一个手肘指向手腕的向量，将这个向量延伸1.5倍作为人手中心点，再根据这个向量的大小去估算人手框的大小，最后基于人手框定位人手的关键点。

然而，上述无锚点的检测算法，模型都比较大，不能部署在低端移动设备上，而即便可以部署，也无法有效过滤掉非人手区域的误检。基于人体关键点几何推理的人手检测方案，可能会因为人体关键点估算错误(比如由于人体重叠、遮挡等因素)造成人手检测定位到错误区域，造成误检。

发明内容

本公开提供了一种用于解决关键点定位不准确的问题的关键点的识别方法、装置及存储介质。

根据本公开的一方面，提供了一种关键点的识别方法，包括：将包含目标物体的图片输入包括M层卷积层的预设卷积神经网络，获取每层所述卷积层输出的初始特征图，其中，M为大于2的自然数；根据所述初始特征图，获取与每层所述卷积层对应的参考特征图；分别获取与每个所述参考特征图的热力图，并根据所述热力图和对应的参考特征图获取每个所述参考特征图的候选特征图；根据所有所述候选特征图，获取所述目标物体的关键点信息。

根据本公开的另一方面，提供了一种关键点的识别装置，包括：第一获取模块，用于将包含目标物体的图片输入包括M层卷积层的预设卷积神经网络，获取每层所述卷积层输出的初始特征图，其中，M为大于2的自然数；第二获取模块，用于根据所述初始特征图，获取与每层所述卷积层对应的参考特征图；第三获取模块，用于分别获取与每个所述参考特征图的热力图；第四获取模块，用于根据所述热力图和对应的参考特征图获取每个所述参考特征图的候选特征图；第五获取模块，用于根据所有所述候选特征图，获取所述目标物体的关键点信息。

根据本公开的又一方面，提供了一种电子设备，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上述实施例的关键点的识别方法。

根据本公开的再一方面，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，所述计算机指令用于使所述计算机执行上述实施例的关键点的识别方法。

根据本公开的还一方面，提供了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1-8中任一项所述的关键点的识别方法。

本发明的实施例，至少具有如下附加的技术效果：