本公开涉及机器学习技术领域，尤其涉及一种关键点检测方法及装置、电子设备和存储介质。
背景技术：
人体的关键点检测是指定位或检测出给定人体图像的关键区域位置，比如鼻子、眼睛、手肘、臀部、膝盖等。对于人体关键点检测问题，有两种解决方式：回归和检测。由于人体运动比较灵活、回归模型的可扩展性较差，比较难于扩展到不定量的人体关键点检测的问题中，因此利用回归的方式直接回归关节坐标的方法，效果并不理想。另外，在实际生活中，由于受到姿态和遮挡等因素的影响，人体关键点检测精度低。
技术实现要素：
有鉴于此，本公开提出了一种关键点检测技术方案。
根据本公开的一方面，提供了一种关键点检测方法，所述方法包括：
将待检测图像进行图像处理得到关键点特征图；
对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图；
将热点图中概率最大的位置，确定为关键点在热点图中的预测位置；
根据所述预测位置确定各个关键点在所述待检测图像中的位置信息。
在一种可能的实现方式中，所述方法基于卷积神经网络，所述卷积神经网络包括至少一卷积层和至少一归一化处理层，
所述卷积层将所述待检测图像进行图像处理得到关键点特征图；
所述归一化处理层对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在一种可能的实现方式中，所述卷积神经网络的训练过程包括：
将训练图像进行卷积处理得到关键点特征图；
对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图；
根据所述各个关键点在所述训练图像中的实际位置生成各个关键点的标签图；
计算各个关键点的标签图和热点图之间的交叉熵损失；
将所述交叉熵损失输入所述卷积神经网络进行反向传播，以使所述卷积神经网络根据所述交叉熵损失进行训练。
在一种可能的实现方式中，所述根据所述各个关键点在所述训练图像中的实际位置生成各个关键点的标签图，包括：
以关键点所述训练图像中的实际位置为中心，将距离所述中心在预定半径范围内的区域确定为关键区域；
根据所述关键区域对所述关键点进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述根据所述关键区域对所述关键点进行标记，得到各个关键点的标签图，包括：
以第一概率对所述关键区域进行标记，以第二概率对除所述关键区域外的区域进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，包括：
利用sigmoid函数对所述关键点特征图进行归一化处理，获取各个关键点的概率集合。
在一种可能的实现方式中，所述根据所述预测位置确定各个关键点在所述待检测图像中的位置信息，包括：
根据所述预测位置进行映射，得到关键点在所述待检测图像中的位置信息。
根据本公开的另一方面，提供了一种关键点检测装置，所述装置包括：
关键点特征图获取模块，用于将待检测图像进行图像处理得到关键点特征图；
热点图获取模块，用于对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图；
预测位置获取模块，用于将热点图中概率最大的位置，确定为关键点在热点图中的预测位置；
位置信息获取模块，用于位置信息获取模块。
在一种可能的实现方式中，所述装置基于卷积神经网络，所述卷积神经网络包括至少一卷积层和至少一归一化处理层，
所述卷积层将所述待检测图像进行图像处理得到关键点特征图；
所述归一化处理层对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在一种可能的实现方式中，训练过程中的所述卷积神经网络包括：
所述关键点特征图获取模块，用于将训练图像进行卷积处理得到关键点特征图；
所述热点图获取模块，用于对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图；
标签图获取模块，用于根据所述各个关键点在所述训练图像中的实际位置生成各个关键点的标签图；
交叉熵损失计算模块，用于计算各个关键点的标签图和热点图之间的交叉熵损失；
反向传播模块，用于将所述交叉熵损失输入所述卷积神经网络进行反向传播，以使所述卷积神经网络根据所述交叉熵损失进行训练。
在一种可能的实现方式中，所述标签图获取模块，包括：
关键区域确定子模块，用于以关键点所述训练图像中的实际位置为中心，将距离所述中心在预定半径范围内的区域确定为关键区域；
标签图获取子模块，用于根据所述关键区域对所述关键点进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述标签图获取模块，包括：
概率标记子模块，用于以第一概率对所述关键区域进行标记，以第二概率对除所述关键区域外的区域进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述热点图获取模块，包括：
sigmoid函数子模块，用于利用sigmoid函数对所述关键点特征图进行归一化处理，获取各个关键点的概率集合。
在一种可能的实现方式中，所述位置信息获取模块，包括：
映射子模块，用于根据所述预测位置进行映射，得到关键点在所述待检测图像中的位置信息。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述关键点检测方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述关键点检测方法。
在本公开实施例中，通过将待检测图像进行图像处理和归一化处理，得到各关键点的热点图。热点图中包括各关键点的预测位置的概率，将热点图中概率最大的位置确定为各关键点的预测位置，并根据预测位置映射得到各关键点的位置信息。关键点的检测结果准确率高。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的关键点检测方法的流程图；
图2示出根据本公开一实施例的卷积神经网络的框图；
图3示出根据本公开一实施例的卷积神经网络的训练过程的流程图；
图4示出根据本公开一实施例的卷积神经网络的训练过程的流程示意图；
图5示出根据本公开一实施例的关键点检测方法中步骤s70的流程图；
图6示出根据本公开一实施例的关键点检测方法的流程图；
图7示出根据本公开一实施例的关键点检测方法的流程图；
图8示出根据本公开一实施例的关键点检测方法的流程图；
图9示出根据本公开一实施例的关键点检测装置的框图；
图10示出根据本公开一实施例的关键点检测装置的框图；
图11是根据一示例性实施例示出的一种用于关键点检测的电子设备的框图；
图12是根据一示例性实施例示出的一种用于关键点检测的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的关键点检测方法的流程图，如图1所示，所述关键点检测方法包括如下步骤：
步骤s10，将待检测图像进行图像处理得到关键点特征图。
在一种可能的实现方式中，待检测图像中可以包括待检测目标。待检测目标可以是人、动物、植物、建筑物等。关键点可以包括待检测目标上的点。例如，当待检测目标是人时，关键点可以为人的膝关节、脚踝、双手、肘部、头部等点。可以根据各关键点的位置信息识别待检测图像中的待检测目标的动作、姿势、位置等。
步骤s20，对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在本实施例中，可以将待检测图像输入卷积神经网络进行处理，将待检测图像进行卷积处理后得到各个关键点的关键点特征图。并将各关键点特征图进行归一化处理后得到各个关键点的热点图。可以待检测图像中的关键点的数量作为卷积通道的数量，一个卷积通道预测一个关键点位置。一个卷积通道生成一张热点图，一张热点图响应一个关键点。热点图可以包括概率矩阵，例如基于关键点的卷积特征值得到的概率。
步骤s30，将热点图中概率最大的位置，确定为关键点在热点图中的预测位置。
步骤s40，根据所述预测位置确定各个关键点在所述待检测图像中的位置信息。
归一化处理后的热点图可以包括不同的概率值，将概率值最大的位置，例如概率值最接近1的坐标点，确定为关键点的预测位置，再根据预测位置对应至待检测图像中，得到关键点的检测位置。
例如，待检测图像a为运动员跑步的图像，将待检测图像a输入卷积神经网络后，经过图像处理和归一化处理，共得到双脚、膝盖、肘关节等部分等16个关键点的16个热点图。每个热点图对应一个关键点。在运动员左脚的热点图中，包括基于运动员的左脚的卷积特征值得到的概率。在左脚的热点图中包括不同的概率值。其中，越接近左脚实际位置的区域，概率值越大。可以将左脚的热点图中概率值为1的位置，确定为左脚的预测位置，并根据确定出的左脚的预测位置，在待检测图像中确定出左脚的位置信息。
在实施例中，通过将待检测图像进行图像处理和归一化处理，得到各关键点的热点图。热点图中包括各关键点的预测位置的概率，将热点图中概率最大的位置确定为各关键点的预测位置，并根据预测位置映射得到各关键点的位置信息。关键点的检测结果准确率高。
图2示出根据本公开一实施例的卷积神经网络的框图，如图2所示，所述关键点检测方法基于卷积神经网络，所述卷积神经网络包括至少一卷积层和至少一归一化处理层，所述卷积层将所述待检测图像进行图像处理得到关键点特征图；所述归一化处理层对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在一种可能的实现方式中，卷积层可以对待检测图像进行卷积处理，得到待检测图像中各关键点的卷积特征值组成的关键点特征图。关键点特征图的卷积特征值不是概率的形式，需要进行概率转换。归一化处理层可以将卷积特征值转换为概率的形式，根据概率转换后的卷积特征值可以得到各关键点的热点图。
可以在一个卷积神经网络中同时设置卷积层和归一化处理层，也可以将卷积层和归一化处理层设置在不同的卷积神经网络中。本公开对此不做限定。
如图2所示，图中的待检测图像的尺寸为256*256*3，其中，256*256为待检测图像的长宽值，3为图像的r(red，红)、g(green，绿)、b(blue，蓝)颜色值。在待检测图像中有16个关键点。将待检测图像输入卷积神经网络进行卷积处理后，得到长宽为64*64大小的16个卷积特征图，每个关键点对应一个卷积特征图。卷积特征图为各关键点的卷积特征值矩阵。将各关键点的卷积特征图进行概率转换后，得到16个热点图，每个关键点对应一个热点图。如图2中所示，各热点图中颜色深浅的不同，代表了各热点图中关键点在不同位置的概率。颜色越深代表概率值越大。
在本实施例中，卷积神经网络中的卷积层和归一化处理层，可以将待检测图像处理为热点图，给出各关键点在热点图中的概率值。利用卷积神经网络进行关键点检测的检测效率高，适用范围广。
图3示出根据本公开一实施例的卷积神经网络的训练过程的流程图，如图3所示，所述卷积神经网络的训练过程包括：
步骤s50，将训练图像进行卷积处理得到关键点特征图。
在一种可能的实现方式中，训练图像可以包括标识了关键点的人体图像、动物图像、植物图像或建筑物图像等。例如，训练图像b为运动员跑步的图像，训练图像b中，在双脚、膝盖、肘关节等部分，共标识了16个关键点，将训练图像b输入卷积神经网络后，经过卷积处理可以得到16个关键点特征图。
步骤s60，对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在一种可能的实现方式中，将关键点特征图进行归一化处理可以得到各关键点的热点图。每个热点图对应一个关键点。热点图的大小，与训练图像的大小以及卷积神经网络中卷积核等因素有关。例如在运动员左脚的热点图中，包括基于运动员的左脚的卷积特征值得到的概率。
步骤s70，根据所述各个关键点在所述训练图像中的实际位置生成各个关键点的标签图。
在一种可能的实现方式中，可以将关键点在训练图像中的实际位置对应至标签图中，可以在标签图中利用概率值将关键点的位置进行标记。例如，可以在热点图中关键点对应的位置，利用概率1来标识。
步骤s80，计算各个关键点的标签图和热点图之间的交叉熵损失。
在一种可能的实现方式中，交叉熵包括用于度量两个概率分布间的差异性信息。关键点的热点图和标签图都是概率集合，可利用交叉熵函数，计算各关键点的热点图和标签图之间的交叉熵损失。
步骤s90，将所述交叉熵损失输入所述卷积神经网络进行反向传播，以使所述卷积神经网络根据所述交叉熵损失进行训练。
在一种可能的实现方式中，可以将各关键点的交叉熵损失，在梯度下降法的基础上，输入所述卷积神经网络进行反向传播，对卷积神经网络进行训练。包括根据交叉熵损失反向调整卷积神经网络的参数，利用调整参数后卷积神经网络再次计算交叉熵损失。对卷积神经网络进行上述迭代计算，直至卷积神经网络的输出达到预设的收敛条件，完成卷积神经网络的训练。
图4示出根据本公开一实施例的卷积神经网络的训练过程的流程示意图，如图4所示，训练图像的尺寸为256*256*3，其中，256*256为训练图像的长宽值，3为图像的r(red，红)、g(green，绿)、b(blue，蓝)颜色值。在训练图像中对16个关键点进行了标注。将训练图像输入卷积神经网络进行卷积处理后，得到长宽为64*64大小的16个卷积特征图，每个关键点对应一个卷积特征图，共16个卷积特征图。卷积特征图为各关键点的卷积特征值矩阵。将各关键点的卷积特征图进行概率转换后，得到16个热点图，每个关键点对应一个热点图。各热点图中颜色深浅的不同，代表了各热点图中关键点在不同位置的概率。颜色越深代表概率值越大。
同时，可以根据卷积特征图生成各关键点的标签图。如图4所示，可以在各标签图中利用半径2，概率1标识出各关键点所在的区域。图4中热点图中颜色较深的边长为4的正方形的区域即为关键区域。可以利用概率0标识出热点图中关键区域外的其它区域。
可以计算标签图和热点图的交叉熵损失，并将交叉熵损失反向传播至卷积处理的过程，完成对卷积神经网络的一次训练过程。
在本实施例中，将训练图像输入卷积神经网络得到各关键点的热点图，并根据训练图像生成标签图，再利用各关键点的热点图和标签图计算交叉熵损失后，将交叉熵损失反馈至卷积神经网络，对卷积神经网络进行训练。本公开实施例中卷积神经网络的训练过程中使用交叉熵损失时，卷积神经网络的损失下降快，优化效果好，使得最终的卷积神经网络模型效果好，检测精度高。
图5示出根据本公开一实施例的关键点检测方法中步骤s70的流程图，如图5所示，所述关键点检测方法中步骤s70包括：
步骤s71，以关键点所述训练图像中的实际位置为中心，将距离所述中心在预定半径范围内的区域确定为关键区域。
在一种可能的实现方式中，各关键点的标签图，可以对关键点在训练图像中的实际位置进行标记。可以利用概率值对关键区域进行标记。可以利用不同的概率值对关键区域和关键区域意外的区域进行区分。
可以以关键点的实际位置在所述热点图中对应的位置为中心，根据设定的半径确定关键区域。可以根据训练图像的大小，以及关键点检测的需求，调整设定的半径的大小，得到以关键点的位置为中心的，面积大小不同的关键区域。半径可以为0，此时关键区域为关键点所在的一个点。
步骤s72，根据所述关键区域对所述关键点进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，可以利用设定的概率对关键区域进行标记，例如利用概率“1”对关键区域进行标记，得到各个关键点的标签图。
在本实施例中，预定半径可以根据热点图的大小进行调节，并可以根据关键点检测的需求进行调整，使得卷积神经网络的优化过程更加灵活、方便。
图6示出根据本公开一实施例的关键点检测方法的流程图，如图6所示，所述关键点检测方法中步骤s70包括：
步骤73，以第一概率对所述关键区域进行标记，以第二概率对除所述关键区域外的区域进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，可以利用第一概率和第二概率对关键区域和关键区域以外的区域进行区分。第一概率和第二概率不同。可以利用第一概率在标签图中标识关键区域。例如，第一概率可以为1，第二概率可以为0。第一概率和第二概率还可以为其它概率值。为使得关键点的检测结果更加准确，第一概率和第二概率之间的差异越大越好。
在一种可能的实现方式中，所述标签图的尺寸与所述卷积神经网络输出的热点图的尺寸相同。
在对训练图像进行预处理时，可根据卷积神经网络以及训练图像的尺寸，确定标签图的尺寸，标签图的尺寸与热点图的尺寸相同。例如，根据训练图像的尺寸，以及卷积神经网络的参数设置，在对训练图像进行数据与处理的阶段，便可得知卷积神经网络输出的热点图的尺寸为64*64，因此生成尺寸同为64*64的标签图。
在本实施例中，通过利用第一概率和第二概率将关键点所在的区域和非关键点所在的区域进行区分，提高了关键点检测结果的准确性。
图7示出根据本公开一实施例的关键点检测方法的流程图，如图7所示，所述关键点检测方法中步骤s20包括：
步骤s21，利用sigmoid函数对所述关键点特征图进行归一化处理，获取各个关键点的概率集合。
在一种可能的实现方式中，sigmoid函数可以作为阈值函数，可以将卷积神经网络输出的变量映射到0至1之间。可以利用sigmoid函数对各关键点的卷积特征值进行概率转换后，得到各关键点的热点图。
在本实施例中，利用sigmoid函数可以方便的将关键点的卷积特征值归一化为概率值，各关键点的热点图的获取简单方便。
图8示出根据本公开一实施例的关键点检测方法的流程图，如图8所示，所述关键点检测方法中步骤s40包括：
步骤s41，根据所述预测位置进行映射，得到关键点在所述待检测图像中的位置信息。
在一种可能的实现方式中，可以根据预测位置在待检测图像中进行映射得到关键点的位置信息。例如，关键点的预测位置在热点图中的坐标为(c，d)，可以将待检测图像中坐标为(c，d)的位置确定为关键点的位置。
在本实施例中，可以根据预测位置映射得到关键点的位置信息。关键点的位置信息准确。
图9示出根据本公开一实施例的关键点检测装置的框图，如图9所示，所述关键点检测装置包括：
关键点特征图获取模块10，用于将待检测图像进行图像处理得到关键点特征图。
热点图获取模块20，用于对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
预测位置获取模块30，用于将热点图中概率最大的位置，确定为关键点在热点图中的预测位置。
位置信息获取模块40，用于位置信息获取模块。
图10示出根据本公开一实施例的关键点检测装置的框图，如图10所示，在一种可能的实现方式中，所述装置基于卷积神经网络，所述卷积神经网络包括至少一卷积层和至少一归一化处理层，所述卷积层将所述待检测图像进行图像处理得到关键点特征图；所述归一化处理层对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图。
在一种可能的实现方式中，训练过程中的所述卷积神经网络包括：
所述关键点特征图获取模块10，用于将训练图像进行卷积处理得到关键点特征图；
所述热点图获取模块20，用于对所述关键点特征图进行归一化处理，获取各个关键点的概率集合，并根据所述概率集合生成各个关键点的热点图；
标签图获取模块50，用于根据所述各个关键点在所述训练图像中的实际位置生成各个关键点的标签图；
交叉熵损失计算模块60，用于计算各个关键点的标签图和热点图之间的交叉熵损失；
反向传播模块70，用于将所述交叉熵损失输入所述卷积神经网络进行反向传播，以使所述卷积神经网络根据所述交叉熵损失进行训练。
在一种可能的实现方式中，所述标签图获取模块50，包括：
关键区域确定子模块51，用于以关键点所述训练图像中的实际位置为中心，将距离所述中心在预定半径范围内的区域确定为关键区域；
标签图获取子模块52，用于根据所述关键区域对所述关键点进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述标签图获取模块50，包括：
概率标记子模块53，用于以第一概率对所述关键区域进行标记，以第二概率对除所述关键区域外的区域进行标记，得到各个关键点的标签图。
在一种可能的实现方式中，所述热点图获取模块20，包括：sigmoid函数子模块21，用于利用sigmoid函数对所述关键点特征图进行归一化处理，获取各个关键点的概率集合。
在一种可能的实现方式中，所述位置信息获取模块40，包括：
映射子模块41，用于根据所述预测位置进行映射，得到关键点在所述待检测图像中的位置信息。
图11是根据一示例性实施例示出的一种用于关键点检测的电子设备的框图。例如，电子设备(图中的装置800)可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图11，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图12是根据一示例性实施例示出的一种用于关键点检测的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图12，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。