关键点检测方法、装置、电子设备及存储介质与流程

本公开涉及图像处理技术领域，尤其涉及一种关键点检测方法、装置、电子设备及存储介质。

背景技术：

随着图像处理技术的不断发展，各种图像检测算法随之产生。比如，手部图像检测、人脸图像检测等。对手部图像的检测主要涉及到对手部关键点的检测，从而检测出某个特定手势中各个手部关键点的位置。

在相关技术中，通常采用直接回归方法进行手部关键点检测。将含有手势的图像进行直接回归，从而拟合得到各个手部关键点在图像中的位置。

但是，由于手势变化比较灵活，且不同手势的手部关键点分布差异较大，因此采用直接回归方法对手部关键点进行拟合，会导致手部关键点的检测准确率较低。

技术实现要素：

为克服相关技术中存在的问题，本公开提供一种关键点检测方法、装置、电子设备及存储介质，以解决手部关键点检测准确率较低的问题。

根据本公开实施例的第一方面，提供一种关键点检测方法，包括获取待检测的手势图像，将所述手势图像划分为多个区域；针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值；通过所述概率与所述第一坐标值，计算所述手势关键点在所述手势图像中的第二坐标值。

可选地，所述针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值的步骤包括：提取每个区域的图像特征，将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作；针对每个手部关键点，获取所述卷积神经网络中的通道输出的所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

可选地，所述区域包括n个，所述手部关键点包括m个；所述卷积神经网络包括分类分支和回归分支，所述分类分支包括m个分类通道，所述回归分支包括m个横坐标通道及m个纵坐标通道；每个通道对应一个手部关键点，每个通道包括n个网格，每个网格对应一个区域；m、n均为正整数。所述将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作的步骤包括：将n个区域的图像特征对应输入m个分类通道中的n个网格进行卷积操作，每个分类通道得到与其对应的手部关键点在每个区域中出现的概率；将n个区域的图像特征对应输入m个横坐标通道中的n个网格进行卷积操作，每个横坐标通道得到与其对应的手部关键点在每个区域中的第一横坐标值；将n个区域的图像特征对应输入m个纵坐标通道中的n个网格进行卷积操作，每个纵坐标通道得到与其对应的手部关键点在每个区域中的第一纵坐标值。

可选地，所述通过所述概率与所述第一坐标值，计算所述手势关键点在所述手势图像中的第二坐标值的步骤包括：将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值。

可选地，所述第一坐标值包括第一横坐标值和第一纵坐标值。所述将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值的步骤包括：将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一横坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二横坐标值；将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一纵坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二纵坐标值。

根据本公开实施例的第二方面，提供一种关键点检测装置，包括划分单元，被配置为获取待检测的手势图像，将所述手势图像划分为多个区域；确定单元，被配置为针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值；计算单元，被配置为通过所述概率与所述第一坐标值，计算所述手势关键点在所述手势图像中的第二坐标值。

可选地，所述确定单元包括：输入模块，被配置为提取每个区域的图像特征，将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作；获取模块，被配置为针对每个手部关键点，获取所述卷积神经网络中的通道输出的所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

可选地，所述区域包括n个，所述手部关键点包括m个；所述卷积神经网络包括分类分支和回归分支，所述分类分支包括m个分类通道，所述回归分支包括m个横坐标通道及m个纵坐标通道；每个通道对应一个手部关键点，每个通道包括n个网格，每个网格对应一个区域；m、n均为正整数。所述输入模块包括：第一输入子模块，被配置为将n个区域的图像特征对应输入m个分类通道中的n个网格进行卷积操作，每个分类通道得到与其对应的手部关键点在每个区域中出现的概率；第二输入子模块，被配置为将n个区域的图像特征对应输入m个横坐标通道中的n个网格进行卷积操作，每个横坐标通道得到与其对应的手部关键点在每个区域中的第一横坐标值；第三输入子模块，被配置为将n个区域的图像特征对应输入m个纵坐标通道中的n个网格进行卷积操作，每个纵坐标通道得到与其对应的手部关键点在每个区域中的第一纵坐标值。

可选地，所述计算单元包括：加权模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值。

可选地，所述第一坐标值包括第一横坐标值和第一纵坐标值；所述加权模块包括：第一加权子模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一横坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二横坐标值；第二加权子模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一纵坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二纵坐标值。

根据本公开实施例的第三方面，提供一种电子设备，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任一种关键点检测方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一种关键点检测方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一种关键点检测方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例中，获取待检测的手势图像，将手势图像划分为多个区域；针对预设的每个手部关键点，确定手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值；通过概率与第一坐标值，计算手势关键点在手势图像中的第二坐标值。本公开的实施例中，通过注意力机制使得不同区域对于每个手部关键点坐标值的贡献不同，充分考虑整幅手势图像的不同区域对每个手部关键点的重要性不同，将注意力主要集中在手部关键点最可能存在的区域，弱化其他区域的作用，从而减小其他区域对手部关键点坐标值预测的干扰，更能适应手势的多样性，能够大幅度提高手部关键点检测的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种关键点检测方法的流程图。

图2是根据一示例性实施例示出的一种手部关键点位置的示意图。

图3是根据一示例性实施例示出的一种关键点检测装置的框图。

图4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。

图5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

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种关键点检测方法的流程图，如图1所示，关键点检测方法用于电子设备中，包括以下步骤。

在步骤s11中，获取待检测的手势图像，将所述手势图像划分为多个区域。

本公开实施例中，可以从各种来源获取手势图像。比如，可以从网络中抓取手势图像，或者可以实时拍摄手势图像，等等。

手势图像中包括人体的手部，手部的手势可以为任意手势，比如“ok”手势，“胜利”手势、“比心”手势，等等。手势图像可以为rgb(红、绿、蓝)等格式的图片。

本公开实施例中，可以预先训练用于进行关键点检测的深度卷积神经网络。比如，可以收集大量的已知手势及该手势下各个手部关键点对应概率及坐标值的手势图片，通过这些手势图片训练深度卷积神经网络，使其能够执行本公开实施例的关键点检测方法。对于具体的训练过程，本领域技术人员根据实际经验进行相关处理即可，本公开实施例在此不再详细论述。

将手势图像输入到卷积神经网络中，为了解决直接通过整幅手势图像进行手部关键点检测时检测准确率较低的问题，卷积神经网络可以将获取的手势图像划分为多个区域，依据多个区域对手部关键点进行检测。比如，可以将手势图像划分为n个区域，n为正整数。

在步骤s12中，针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

对于人体的手部，可以设置多个手部关键点，手部关键点可以用于表征手部的关键位置。比如，可以设置m个手部关键点，m为正整数。图2是根据一示例性实施例示出的一种手部关键点位置的示意图。由图2可知，手部可以包括21个手部关键点，对于“ok”手势中21个手部关键点的位置参见图2。

针对每个手部关键点，可以确定该手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。比如，n个区域分别为区域1、区域2、……、区域n，m个手部关键点分别为手部关键点1、手部关键点2、……、手部关键点m。针对手部关键点1，分别确定手部关键点1在区域1、区域2、……、区域n中出现的概率以及在区域1、区域2、……、区域n中的第一坐标值。针对手部关键点2，分别确定手部关键点2在区域1、区域2、……、区域n中出现的概率以及在区域1、区域2、……、区域n中的第一坐标值。以此类推，直至针对手部关键点m，分别确定手部关键点m在区域1、区域2、……、区域n中出现的概率以及在区域1、区域2、……、区域n中的第一坐标值。

针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值的步骤可以包括：提取每个区域的图像特征，将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作；针对每个手部关键点，获取所述卷积神经网络中的通道输出的所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等。可以设置卷积神经网络采用任意适用的方式进行图像特征提取，比如可以提取hog(histogramoforientedgradient，方向梯度直方图)特征、lbp(localbinarypattern，局部二值模式)特征、haar-like特征，等等，本公开实施例对此不再详细论述。

本公开实施例中，卷积神经网络可以包括分类分支和回归分支。分类分支用于确定手势图像中每个区域可能存在某个手势关键点的概率；回归分支用于根据分类分支确定的每个区域存在某个手势关键点的概率，确定在每个区域中得到的收拾关键点的坐标值。分类分支和回归分支的输出层结构相似。

分类分支包括m个分类通道，每个分类通道对应一个手部关键点。比如按照图2所示，分类分支可以包括21个分类通道，分别对应21个手部关键点。每个分类通道由n个网格构成，每个网格对应一个区域。n的取值不是固定不变的，根据具体的应用场景选取合适的值即可。

回归分支包括m个横坐标通道及m个纵坐标通道。每个横坐标通道对应一个手部关键点，每个横坐标通道由n个网格构成，每个网格对应一个区域。每个纵坐标通道对应一个手部关键点，每个纵坐标通道由n个网格构成，每个网格对应一个区域。比如按照图2所示，回归分支可以包括21个横坐标通道及21个纵坐标通道，21个横坐标通道分别对应21个手部关键点，21个纵坐标通道同样分别对应21个手部关键点。

将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作的步骤可以包括：将n个区域的图像特征对应输入m个分类通道中的n个网格进行卷积操作，每个分类通道得到与其对应的手部关键点在每个区域中出现的概率；将n个区域的图像特征对应输入m个横坐标通道中的n个网格进行卷积操作，每个横坐标通道得到与其对应的手部关键点在每个区域中的第一横坐标值；将n个区域的图像特征对应输入m个纵坐标通道中的n个网格进行卷积操作，每个纵坐标通道得到与其对应的手部关键点在每个区域中的第一纵坐标值。

每个分类通道中的每个网格对应一个数值，数值的取值范围是[0-1]区间。每个数值代表该分类通道对应的手部关键点出现在该网格对应的区域的概率。每个分类通道上所有网格数值的总和是1，当网格对应的数值较大时，代表对应手部关键点出现在该网格对应的区域的可能性较大，后续进行加权组合时权重更大；当网格对应的数值较小时，代表对应手部关键点出现在该网格对应的区域的可能性较小，后续进行加权组合时权重更小。

每个横坐标通道中的每个网格对应一个数值，每个数值代表通过该网格对应的区域提取的图像特征所预测的，该横坐标通道对应的手部关键点在该网格对应的区域中的横坐标的拟合值。每个纵坐标通道中的每个网格对应一个数值，每个数值代表通过该网格对应的区域提取的图像特征所预测的，该纵坐标通道对应的手部关键点在该网格对应的区域中的纵坐标的拟合值。

在步骤s13中，针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

针对每个手部关键点，可以获取到卷积神经网络中的对应通道输出的该手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。并通过该手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值，确定该手势关键点在手势图像中的第二坐标值。

通过所述概率与所述第一坐标值，计算所述手势关键点在所述手势图像中的第二坐标值的步骤可以包括：将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值。

第一坐标值包括第一横坐标值和第一纵坐标值。将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值的步骤可以包括：将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一横坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二横坐标值；将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一纵坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二纵坐标值。

加权计算是指计算所述手部关键点在每个区域中出现的概率与在对应的每个区域中的第一坐标值的乘积，并将所有乘积相加。

比如，针对手部关键点1，确定出手部关键点1在区域1中出现的概率为p1，在区域2中出现的概率为p2，……，在区域n中出现的概率为pn。确定出手部关键点1在区域1中的第一横坐标值为x1，第一纵坐标值为y1，在区域2中的第一横坐标值为x2，第一纵坐标值为y2，……，在区域n中的第一横坐标值为xn，第一纵坐标值为yn。因此，手部关键点1在手势图像中的第二横坐标值为p1×x1+p2×x2+……+pn×xn；手部关键点1在手势图像中的第二纵坐标值为p1×y1+p2×y2+……+pn×yn。

因此，卷积神经网络可以输出每个手势关键点在手势图像中的第二坐标值。

本公开的实施例中采用注意力机制“去伪存真”。注意力机制源于对人类视觉的研究，在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息，上述机制通常被称为注意力机制。加入注意力机制会对输入的信息进行一次基于权重的筛选，这种筛选模式并不是人工制定的，而是通过加权组合的方式，让深度卷积神经网络自己学到的空间上的结构关系，从而能够很好的适应手势变化的多样性。在进行手部关键点检测时，整幅手势图像中的信息的重要性是不等价的，根据每个区域存在手部关键点可能性的大小获得相应的权重，将注意力主要集中到权重高的特定区域，充分通过权重高的区域提取图像特征，减弱权重低的区域的作用，从而增加关键点检测的准确率。

本公开的实施例中，通过注意力机制使得不同区域对于每个手部关键点坐标值的贡献不同，充分考虑整幅手势图像的不同区域对每个手部关键点的重要性不同，将注意力主要集中在手部关键点最可能存在的区域，弱化其他区域的作用，从而减小其他区域对手部关键点坐标值预测的干扰，更能适应手势的多样性，能够大幅度提高手部关键点检测的准确率。

图3是根据一示例性实施例示出的一种关键点检测装置框图。参照图3，该装置包括划分单元301，确定单元302和计算单元303。

该划分单元301，被配置为获取待检测的手势图像，将所述手势图像划分为多个区域。

该确定单元302，被配置为针对预设的每个手部关键点，确定所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

该计算单元303，被配置为通过所述概率与所述第一坐标值，计算所述手势关键点在所述手势图像中的第二坐标值。

在一种可选实施方式中，确定单元302包括：输入模块，被配置为提取每个区域的图像特征，将所述图像特征输入预设的卷积神经网络中的通道进行卷积操作；获取模块，被配置为针对每个手部关键点，获取所述卷积神经网络中的通道输出的所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值。

在一种可选实施方式中，所述区域包括n个，所述手部关键点包括m个；所述卷积神经网络包括分类分支和回归分支，所述分类分支包括m个分类通道，所述回归分支包括m个横坐标通道及m个纵坐标通道；每个通道对应一个手部关键点，每个通道包括n个网格，每个网格对应一个区域；m、n均为正整数。输入模块包括：第一输入子模块，被配置为将n个区域的图像特征对应输入m个分类通道中的n个网格进行卷积操作，每个分类通道得到与其对应的手部关键点在每个区域中出现的概率；第二输入子模块，被配置为将n个区域的图像特征对应输入m个横坐标通道中的n个网格进行卷积操作，每个横坐标通道得到与其对应的手部关键点在每个区域中的第一横坐标值；第三输入子模块，被配置为将n个区域的图像特征对应输入m个纵坐标通道中的n个网格进行卷积操作，每个纵坐标通道得到与其对应的手部关键点在每个区域中的第一纵坐标值。

在一种可选实施方式中，计算单元303包括：加权模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二坐标值。

在一种可选实施方式中，所述第一坐标值包括第一横坐标值和第一纵坐标值。加权模块包括：第一加权子模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一横坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二横坐标值；第二加权子模块，被配置为将所述手部关键点在每个区域中出现的概率以及在每个区域中的第一纵坐标值进行加权计算，得到所述手部关键点在所述手势图像中的第二纵坐标值。

本公开的实施例中，通过注意力机制使得不同区域对于每个手部关键点坐标值的贡献不同，充分考虑到整幅手势图像的不同区域对每个手部关键点的重要性不同，将注意力主要集中在手部关键点最可能存在的区域，弱化其他区域的作用，从而减小其他区域对手部关键点坐标值预测的干扰，更能适应手势的多样性，能够大幅度提高手部关键点检测的准确率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4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400的框图。例如，装置400被提供为一电子设备，电子设备可以是移动终端。装置400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4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，音频组件410，输入/输出(i/o)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在装置400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404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406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述装置400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408包括一个前置摄像头和/或后置摄像头。当设备400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410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(mic)，当装置400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404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

i/o接口412为处理组件402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414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414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414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414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416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件416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416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400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，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

图5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500的框图。例如，装置500被提供为一电子设备，电子设备可以是服务器。

参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532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522被配置为执行指令，以执行上述方法。

装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(i/o)接口558。装置500可以操作基于存储在存储器532的操作系统，例如windowsservertm，macosxtm，unixtm，linuxtm，freebsdtm或类似。

本公开实施例还可以提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述关键点检测方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。