关键点检测方法、模型训练方法、装置、设备和存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种关键点检测方法、模型训练方法、装置、设备和存储介质。


背景技术：

2.自人工智能从诞生以来，随着理论和技术日益成熟，应用领域也不断扩大，比如智能安防、智能物流、图像处理等领域。在智能物流领域，可以借助人工智能技术检测包裹图像中的关键点，再根据检测出的关键点实现包裹体积的智能测量。在图像处理领域，比如可以对人脸进行美颜或者添加特效，以改善人脸在图像中的显示效果。而美颜或特效的添加也要先接着人工智能技术检测出图像中人脸的关键点。
3.同时，随着拍摄设备的快速发展，拍得的图像也都是大尺寸即高分辨率的图像，因此，如何在大尺寸的图像中准确检测出关键点就成为一个亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供一种关键点检测方法、模型训练方法、装置、设备和存储介质，用以保证大尺寸图像关键点检测的准确性。
5.第一方面，本发明实施例提供一种关键点检测方法，包括：
6.在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
7.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述第二图像的尺寸大于所述第一图像的尺寸；
8.根据所述位置偏移量确定所述关键点在所述第二图像中的位置。
9.第二方面，本发明实施例提供一种关键点检测装置，包括：
10.第一确定模块，用于在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
11.第二确定模块，用于根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述第二图像的尺寸大于所述第一图像的尺寸；
12.第三确定模块，用于根据所述位置偏移量确定所述关键点在所述第二图像中的位置。
13.第三方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的关键点检测方法。该电子设备还可以包括通信接口，用于与其他设备或通信网络通信。
14.第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，
使所述处理器至少可以实现如第一方面所述的关键点检测方法。
15.第五方面，本发明实施例提供一种关键点检测方法，包括：
16.接收调用检测服务的请求，根据所述检测服务对应的处理资源执行如下步骤：
17.响应于拍摄操作，在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
18.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述请求中包括所述第一图像和所述第二图像，所述第二图像的尺寸大于所述第一图像的尺寸；
19.根据所述位置偏移量确定所述关键点在所述第二图像中的位置；
20.展示标注有所述关键点的第二图像。
21.第六方面，本发明实施例提供一种关键点检测装置，包括：
22.接收模块，用于接收调用检测服务的请求；
23.执行模块，用于根据所述检测服务对应的处理资源执行如下步骤：
24.响应于拍摄操作，在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
25.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述请求中包括所述第一图像和所述第二图像，所述第二图像的尺寸大于所述第一图像的尺寸；
26.根据所述位置偏移量确定所述关键点在所述第二图像中的位置；
27.展示标注有所述关键点的第二图像。
28.第七方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第五方面中的关键点检测方法。该电子设备还可以包括通信接口，用于与其他设备或通信网络通信。
29.第八方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第五方面所述的关键点检测方法。
30.第九方面，本发明实施例提供一种模型训练方法，包括：
31.获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
32.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置；
33.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
34.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型。
35.第十方面，本发明实施例提供一种模型训练装置，包括：
36.获取模块，用于获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
37.输入模块，用于将所述第一训练样本输入第一预测模型，以由所述第一预测模型
输出所述目标对象的关键点在所述第一训练样本中的位置；
38.确定模块，用于根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
39.训练模块，用于将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型。
40.第十一方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第九方面中的模型训练方法。该电子设备还可以包括通信接口，用于与其他设备或通信网络通信。
41.第十二方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第九方面所述的模型训练方法。
42.第十三方面，本发明实施例提供一种模型训练方法，包括：
43.接收调用训练服务的请求，根据所述训练服务对应的处理资源执行如下步骤：
44.响应于用户的输入操作，获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本包含于所述请求中，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
45.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置；
46.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
47.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型；
48.输出所述第二预测模型的模型参数。
49.第十四方面，本发明实施例提供一种模型训练装置，包括：
50.接收模块，用于接收调用训练服务的请求；
51.执行模块，用于根据所述训练服务对应的处理资源执行如下步骤：
52.响应于用户的输入操作，获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本包含于所述请求中，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
53.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置；
54.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
55.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型；
56.输出所述第二预测模型的模型参数。
57.第十五方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第十三方面中的模型训练方法。该电子设备还可以包括通信接口，用于与其他设备或通信网络通信。
58.第十六方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第十三方面所述的模型训练方法。
59.本发明实施例提供的关键点检测方法，先获取小尺寸的、包含目标对象的第一图像，并确定目标对象的关键点在第一图像中的位置。同时根据大尺寸的、包含目标对象的第二图像和关键点在第一图像中的位置，确定关键点对应的位置偏移量。最后，根据位置偏移量确定关键点在第二图像中的位置。
60.可见，上述方法中，先在小尺寸的第一图像中对关键点进行初步检测，基于初步检测结果，再利用根据大尺寸的第二图像得到的位置偏移量对关键点进行精细检测，也即是实现了对大尺寸图像进行精细的关键点检测。同时，由于上述检测方法不是直接对大尺寸的第二图像进行检测，因此，也能减小关键点检测过程的计算量，提高检测效率。
附图说明
61.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
62.图1为本发明实施例提供的一种关键点检测方法的流程图；
63.图2为图1所示实施提供的关键点检测方法的示意图；
64.图3为本发明实施例提供的第二预测模型的训练流程图；
65.图4为与图3所示实施例提供的训练流程图对应的示意图；
66.图5为本发明实施例提供的另一种关键点检测方法的流程图；
67.图6为本发明实施例提供的关键点检测方法应用在直播或自拍场景下的示意图；
68.图7为本发明实施例提供的关键点检测方法应用到身份识别场景下的示意图；
69.图8为本发明实施例提供的关键点检测方法应用到快递场景下的示意图；
70.图9为本发明实施例提供的一种模型训练方法的流程图；
71.图10为本发明实施例提供的另一种模型训练方法的流程图；
72.图11为本发明实施例提供的一种关键点检测装置的结构示意图；
73.图12为与图11所示实施例提供的关键点检测装置对应的电子设备的结构示意图；
74.图13为本发明实施例提供的另一种关键点检测装置的结构示意图；
75.图14为与图13所示实施例提供的关键点检测装置对应的电子设备的结构示意图；
76.图15为本发明实施例提供的一种模型训练装置的结构示意图；
77.图16为与图15所示实施例提供的模型训练装置对应的电子设备的结构示意图；
78.图17为本发明实施例提供的另一种模型训练装置的结构示意图；
79.图18为与图17所示实施例提供的模型训练装置对应的电子设备的结构示意图。
具体实施方式
80.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
81.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
82.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
83.取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于识别”。类似地，取决于语境，短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
84.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
85.在对本发明实施例提供的关键点检测方法进行说明之前，还可以对关键点检测的现实意义进行示例性说明：
86.承接背景技术中的描述，对于智能物流领域，在快递物流的不同阶段都可以存在关键点检测需求。比如在物流的处理末端，快递人员在上门取货时需要对包裹的尺寸进行准确测量，以使用户支付正确的运费。又比如，在包裹装载阶段，需要对包裹尺寸进行准确测量，从而保证货车的装载率。在实际中，包裹尺寸的测量可以通过拍摄图像并识别图像中包裹关键点的位置来实现。
87.对于图像处理领域，当用户进行自拍或视频直播时，可以对图像中的人脸进行瘦脸、大眼等美颜处理，以改善人脸的显示效果。还可以为图像中的人脸或者人体的特定部位添加特效，比如为眼睛部位添加眼镜特效，为头部添加头饰等等。上述各种效果也都需要在图像中检测出人脸或人体的关键点的基础上才能实现。
88.而随着拍摄设备的发展，在上述各场景中拍得的图像通常都是大尺寸的，也即是高分辨率的图像。一方面，若使用大尺寸的图像直接进行关键点的检测，会大大增加检测过程的计算量，导致检测效率低下。
89.另一方面，在实际中也可以先缩小大尺寸的图像，以到小尺寸的图像，再对此小尺寸的图像进行关键点检测，从而得到目标对象的关键点在小尺寸图像中的位置。其中，目标对象可以是上述各场景中的包裹，人体，人脸等等。然后，利用缩放前后两图像之间的尺寸关系，将关键点在小尺寸图像中的位置映射到大尺寸图像中，从而间接实现对大尺寸图像的关键点检测。但考虑到对小尺寸图像进行关键点检测时存在的误差，经过映射后，这种误差会成倍的反映到大尺寸图像中，从而导致大尺寸图像关键点的检测不准确。
90.为了克服上述问题，便可以使用本发明提供的方法。在保证检测准确性的同时，也
能够减小计算量，保证检测效率。
91.需要说明的有，可以进一步扩大应用范围，本发明实施例提供的关键点检测方法还可以应用到智慧楼宇、智慧零售、智慧旅游、智慧金融等场景，通过检测人脸的关键点，实现身份识别、支付。除此之外，还可以应用于其他任何需要关键点检测的场景，本发明并不对关键点检测的应用场景进行限定。
92.基于上述描述，下面结合附图对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
93.图1为本发明实施例提供的一种关键点检测方法的流程图，本发明实施例提供的该关键点检测方法可以由检测设备来执行。可以理解的是，该检测设备可以实现为软件、或者软件和硬件的组合。如图1所示，该方法包括如下步骤：
94.s101，在包含目标对象的第一图像中，确定目标对象的关键点在第一图像中的位置。
95.拍摄设备可以对目标对象进行拍摄，以使检测设备获取小尺寸的、包含目标对象的第一图像。其中，在不同应用场景下，目标对象也不同，比如可以是人脸、人体、快递包裹等等。
96.可选地，可以通过检测算法确定出目标对象的关键点在第一图像中的位置。也可以将第一图像输入第一预测模型，以由第一预测模型输出关键点在第一图像中的位置。其中，第一预测模型通常为基于卷积神经网络的模型。关键点的位置具体来说是关键点在第一图像中对应的像素点的像素坐标。经过上述步骤也即是完成了关键点的初步检测。
97.s102，根据包含目标对象的第二图像以及关键点在第一图像中的位置，确定关键点对应的位置偏移量，第二图像的尺寸大于第一图像的尺寸。
98.通过拍摄设备的拍摄，检测设备也可以获取大尺寸的、包含目标对象的第二图像。其中，第二图像的尺寸大于第一图像，二者的尺寸可以具有倍数关系。图像的尺寸可以理解为图像的分辨率，则举例来说，第一图像的尺寸可以为200*200，第二图像的尺寸可以为2000*2000。
99.需要说明的有，在不同场景下，第一图像和第二图像的获取方式也可以不同，检测设备和拍摄设备之间也可以具有不同的关系，具体内容可以参见下述描述。
100.基于拍得的第二图像，可选地，可以借助第二预测模型得到目标对象的关键点在第二图像中对应的位置偏移量，位置偏移量可以表现为像素坐标偏移量。
101.具体来说，一种可选地方式，可以根据第一图像和第二图像的尺寸关系，将关键点在第一图像中的位置映射到第二图像中，以确定出关键点在第二图像中的初始位置。再以第二图像中的每个关键点为中心，从第二图像中截取出预设尺寸的图像区域，并将截取出图像区域输入至第二预测模型，以由第二预测模型输出关键点在第二图像中对应的位置偏移量。
102.容易理解的，当第二图像中的关键点数量较多时，截取出的图像区域的数量也较多，并且多个图像区域之间往往存在重合，从而使得第二预测模型在确定位置偏移量时的计算压力大，并且还存在一定程度的重复计算。
103.因此，从计算量的角度考虑，另一种可选地方式可以为：在按照上述方式得到关键
点在第二图像中的初始位置后，可以将完整的第二图像直接输入至第二预测模型，以由第二预测模型根据第二图像和前述的初始位置确定出关键点对应的位置偏移量。此种方式中，由于第二预测模型直接使用一张完整的第二图像来预测位置偏移量，不存在上述的截取图像区域的过程，因此，能够减小第二预测模型的计算量。
104.对于关键点在第二图像中的初始位置，承接上述图像尺寸的举例，两图像的尺寸相差10倍，也即是第一图像中的1个像素点与第二图像中的10个像素点具有映射关系。则假设目标对象的关键点在第一图像中对应于n个像素点，则根据二者的尺寸关系，可以将第一图像中的n个像素点映射到第二图像中，关键点在第二图像中会对应于10*n个像素点。这10*n个像素点在第二图像中的像素坐标也即为关键点在第二图像中的初始位置。并且第二预测模型确定出的位置偏移量的数量也为10*n个，即位置偏移量与第二图像中用于描述关键点的10*n个像素点一一对应。
105.s103，根据位置偏移量确定关键点在第二图像中的位置。
106.最终，在步骤101得到初步检测结果的基础上，再利用步骤102得到的位置偏移量对目标对象的关键点进行精细检测，从而得到关键点在大尺寸的第二图像中的位置。
107.继续承接步骤102中的举例，可选地，可以利用第二图像中的10*n个像素点以及第二预测模型输出的10*n个位置偏移量实现对第二图像的关键点检测：
108.可选地，可以将10*n个位置偏移量和经过映射后得到10*n个像素点的像素坐标进行对应相加，即可得到第二图像中对应于目标对象关键点的像素点的像素坐标，也即是得到了关键点在第二图像中的目标位置。
109.举例来说，假设目标对象的一关键点在第二图像中的初始位置为(x,y)，即第二图像中的10*n个像素点中的像素点a的像素坐标为(x,y)，并且第二预测模型输出的、与此像素点a对应的位置偏移量为(δx，δy)，则目标对象的关键点在第二图像中的目标位置为：(x+δx，y+δy)。其中，像素点a为10*n个像素点中的任一个。
110.可选地，还可以为处于目标对象特定部位的关键点设置调整参数，并调整参数与位置偏移量的乘积与初始位置之和确定为目标位置，即通过调整参数的设置保证关键点检测的准确性。以人脸为例，眼睛、眉毛对应的关键点往往检测难度较大，检测精准度要求较高，因此可以设置调整参数，脸的轮廓对应的关键点可以不设置调整参数。
111.本实施例中，先获取小尺寸的第一图像，并确定目标对象的关键点在第一图像中的位置。同时根据大尺寸的第二图像和关键点在第一图像中的位置，确定目标对象的关键点对应的位置偏移量。最终，根据位置偏移量确定关键点在第二图像中的位置。
112.可见，本实施例中是先在小尺寸的第一图像中对关键点进行初步检测，基于初步检测结果，再利用根据大尺寸的第二图像得到的位置偏移量对关键点进行精细检测。一方面，由于不是直接使用大尺寸的第二图像进行关键点检测，从而使得检测过程的计算量大大减小，提高检测效率。另一方面，在关键点检测的过程中由于引入了位置偏移量，因此可以避免初步检测结果的误差对大尺寸第二图像进行检测时产生的影响，保证关键点检测的准确性。
113.对于第一图像、第二图像的获取，一种可选地方式，可以使用具有不同拍摄能力的拍摄设备分别对目标对象进行拍摄，以得到小尺寸的第一图像和大尺寸的第二图像。其中，拍摄设备通常可以是摄像头。
114.在视频直播或者自拍场景中，拍摄设备可以是用户使用的终端设备上配置的拍摄能力不同的多个摄像头，用以分别拍得不同尺寸的图像。终端设备可以是手机、平板电脑等等。由于终端设备本身就具有一定的数据处理能力，因此，终端设备就可以作为检测设备来执行本发明各实施例提供的方法。经过人脸的关键点检测后，终端设备上还可以显示有对人脸添加的特效或者美颜效果。
115.在物流场景中，快递人员使用的终端设备上同样可以设置多个拍摄能力不同的摄像头。与上述场景类似的，终端设备也可以作为检测设备，以实现对包裹关键点的检测，并在终端设备上显示包裹的尺寸以及用户待支付的运费金额。
116.在上述各场景中，检测设备也可以是独立于终端设备的远端服务器。
117.在智能楼宇等需要进行身份识别的场景中，拍摄设备可以是楼宇门口闸机上设置的拍摄能力不同的摄像头，检测设备可以是远端服务器。当用户位于闸机前时，摄像头即可拍得并发送第一图像和第二图像至服务器，以由服务器按照本发明各实施例提供的方法对大尺寸的图像进行关键点检测，实现身份识别。
118.在智能支付场景中，拍摄设备可以是结算设备上配置的摄像头，检测设备可以是远端服务器。检测设备对人脸进行关键点检测后，即可自动完成支付。
119.当然，若闸机或结算设备具有足够的计算能力，也可以直接作为检测设备。
120.在按照上述方式获取不同尺寸的图像时，就需要使用到不同拍摄能力的多个摄像头，这显然增加了设备成本。为了克服此缺陷，另一种可选地图像获取方式，拍摄设备可以是设置于用户使用的终端设备、闸机或者结算设备上的高清摄像头，其用于拍得大尺寸的图像。接着，可以由检测设备对拍得的图像进行缩小处理，以得到小尺寸的图像。
121.另外，容易理解的，在关键点检测的过程中需要重点关注的是目标对象所在的图像区域，其他图像区域反而容易对关键点检测造成影响。因此，对于高清拍摄头拍得的图像(可以称为原始图像)，可选地，还可以对先其进行目标对象的检测，并从原始图像中提取目标对象所在的图像区域(可以称为目标图像区域)。再对目标图像区域进行缩小处理，以得到小尺寸的图像(即上述的第一图像)和大尺寸的图像(即上述的第二图像)。
122.其中，目标对象的检测可以由独立的对象检测模型来实现。并且第一图像的尺寸要符合第一预测模型的输入要求，第二图像的尺寸要符合第二预测模型的输入要求。在实际应用中，第二图像的尺寸可以等于或略小于目标图像区域的尺寸。
123.当第二图像的尺寸等于目标图像区域，并且目标对象为人脸时，上述内容以及图1所示实施例的实现过程可以结合图2理解。
124.当第二图像的尺寸略小于目标图像区域时，则在执行上述步骤104后，还需要根据第二图像和目标图像区域之间的尺寸关系，将关键点在第二图像中的位置映射到目标图像区域中，从而完成对大尺度图像进行关键点检测。
125.在图1所示实施中已经提及了可以根据第二预测模型确定位置偏移量，则对于此模型的训练过程，可选地，如图3所示，可以包括以下步骤：
126.s201，获取包含目标对象的第一训练样本，第一训练样本与第二图像尺寸相同。
127.先获取包含目标对象的第一训练样本。可选地，为了保证模型的训练效果，还可以先获取原始训练样本，并在其中提取出目标对象所在的图像区域，再调整此图像区域的尺寸，以得到第一训练样本，同时也可以得到第二训练样本。
128.其中，原始训练样本、第一训练样本、第二训练样本的尺寸依次减小。第一训练样本可以与第二图像尺寸相同，以符合第二预测模型的输入要求。第二训练样本的尺寸与第一图像相同，以符合第一预测模型的输入要求。
129.s202，借助第一预测模型，确定第一训练样本中目标对象的关键点对应的参考位置偏移量。
130.然后，将小尺寸的第二训练样本输入第一预测模型。其中，第一预测模型可以训练至收敛。第一预测模型输出的预测结果即为目标对象的关键点在第二训练样本中的位置。再根据此输出的预测结果，计算第一训练样本中目标对象的关键点对应的参考位置偏移量。
131.可选地，参考位置偏移量的具体计算过程可以为：
132.在得到大尺寸的第一训练样本后，用户可以先在其中对目标对象的关键点进行标注，标注结果也即是关键点在第一训练样本中的参考位置。然后，根据第一训练样本和第二训练样本之间的尺寸关系，将第一预测模型输出的预测结果映射到第一训练样本中，以得到关键点在第一训练样本中的预测位置。将预测位置与用户标注的参考位置进行比对，二者的差值即为关键点在第二图像中对应的参考位置偏移量。
133.举例来说，假设第一训练样本与第二训练样本之间的尺寸成10倍关系，并且用户将第一训练样本中目标对象的关键点对应像素点标注出来，标注的像素点数量可以是10*n个。同时，可以将小尺寸的第二训练样本输入第一预测模型。在将第一预测模型输出的预测位置进行映射后，也可以在第一训练样本中得到10*n个像素点。最后，计算人工标注的10*n个像素点的像素坐标，与映射后得到的10*n个像素点的像素坐标之间的差值，得到的10*n个差值也即为参考位置偏移量。
134.上述参考位置偏移量的大小实际上反映了第一预测模型关键点检测的误差。参考偏移量越小，第一预测模型的误差越小，检测准确度越高。
135.s203，将第一训练样本作为输入，将参考位置偏移量作为监督信息，训练第二预测模型。
136.最终，将大尺寸的第一训练样本作为输入，将参考位置信息作为监督信息，进行第二预测模型的训练。
137.本实施例中，第二预测模型训练过程中使用到的监督信息是目标对象的关键点对应的位置偏移量，相比于用户直接对训练样本中目标对象的关键点进行标注，用户直接对位置偏移量标注显然是比较困难的，因此，可以借助于第一预测模型的输出结果以及用户对训练样本中关键点的标注计算得到监督信息，即参考位置偏移量，从而保证第二预测模型的训练更加容易。
138.对于上述训练第二预测模型的过程中使用到的第一预测模型，可以先获取小尺寸的第二训练样本，并由用户将第二训练样本中目标对象的关键点标注出来。将第二训练样本输入第一预测模型，并将用户的标注结果作为监督信息，对第一预测模型进行训练直至模型收敛。
139.基于训练后的第一预测模型，则可以采用图3所示实施例的方式训练第二预测模型至收敛。容易理解的，模型的训练通常要进行多轮，则可选地，还可以将计算得到的参考位置偏移量和第二预测模型输出的预测位置偏移量输入预设损失函数，并根据计算出的损
失值调整第二预测模型的模型参数。
140.预设损失函数可以为：
141.其中，m为第一训练样本的数量，i为m个第一训练样本中第i个样本。yi为针对第i个样本，第二预测模型输出的预测位置偏移量，gi为针对第i个样本，用户标注后通过计算得到的参考位置偏移量。
142.需要说明的有，在实际应用中，上述的预测位置偏移量yi和参考位置偏移量gi以及图1所示实施例中第二预测模型输出的关键点对应的位置偏移量都可以表现为一个w*h*2n的矩阵。其中，w*h为第一训练样本以及第二图像的尺寸，n为目标对象的关键点在第一训练样本或者第二图像中的个数。
143.如图3所示的模型训练过程还可以结合图4理解。以第二预测模型输出的表现为w*h*2n的矩阵的预测位置偏移量yi为例进行说明：该矩阵可以理解为2n个w*h的矩阵，每个w*h是矩阵用于表示第一训练样本中一个关键点在x轴上或者在y轴上的位置偏移量。w*h*2n的矩阵与2n个w*h的矩阵之间的关系可以结合图4理解。并且在实际应用中，第一预测模型适用于小尺寸的图像，考虑到计算量以及预测准确度之间的平衡，则第一预测模型可以具有数量较多的网络层。第二预测模式适用于大尺寸图像，并且其的网络层数较少。
144.上述各实施例提供的关键点检测方法可以部署在服务平台上，用以为用户提供关键点检测服务。检测设备可以认为是服务平台的载体，正如上述各实施例中提及的，检测设备具体可以是用户使用的终端设备、远端服务器或者是闸机、结算设备等等。则图5为本发明实施例提供的另一种关键点检测方法的流程图。本发明实施例提供的该关键点检测方法同样可以由检测设备来执行。如图5所示，该方法可以包括如下步骤：
145.s301，接收调用检测服务的请求。
146.s302，响应于拍摄操作，在包含目标对象的第一图像中，确定目标对象的关键点在第一图像中的位置。
147.s303，根据包含目标对象的第二图像以及关键点在第一图像中的位置，确定关键点对应的位置偏移量，请求中包括第一图像和第二图像，第二图像的尺寸大于第一图像的尺寸。
148.s304，根据位置偏移量确定关键点在第二图像中的位置。
149.s305，展示标注有关键点的第二图像。
150.用户可以借助不同的设备，比如自身使用的终端设备，闸机、结算设备等等，产生检测服务请求，并将此请求发送至服务平台。此请求中包括具有同一目标对象的第一图像和第二图像，并且第一图像的尺寸小于第二图像的尺寸。而第一图像和第二图像的具体获取方式可以参见上述实施例中的描述，在此不再赘述。其中，用户可以自主触发拍摄操作，闸机、结算设备等也可以自主产生拍摄设备，从而获得请求中包含的不同尺寸的图像。
151.服务平台接收到服务请求后，可以执行上述步骤301～305，从而实现对大尺寸的第二图像的关键点检测。最后，检测出的目标对象的关键点还可以在第二图像中标注出来并展示给用户，用户也可以直观了解关键点检测的准确性。展示结果可以如图2所示。
152.可选地，在得到关键点的位置后，在不同场景下，还可以进一步实现支付、身份识别、美颜、添加特效的功能。
153.本实施例中各步骤的具体实现过程可以参见图1至图4所示实施例的相关说明。本实施例能够实现的技术效果也可以参考上述各实施例中的描述，在此再不赘述。
154.为了便于理解，还可以结合如下的应用场景对以上提供的关键点检测方法的具体实现过程进行示例性说明。
155.在视频直播或者自拍场景中，用户可以通过手机、平板电脑等终端设备拍得大尺寸的原始图像。终端设备可以对原始图像进行人脸检测，并将人脸所在的图像区域从原始图像中截取出来。再通过缩小图像尺寸得到小尺寸的第一图像和大尺度的第二图像。其中，原始图像的尺寸为3000*3000，第一图像的尺寸为200*200，第二图像的尺寸为2000*2000。
156.然后，终端设备可以将小尺寸的第一图像输自身配置的第一预测模型，以由此模型输出人脸的关键点在小尺寸的第一图像中位置，也即是确定出人脸关键点在第一图像中对应的n个像素点各自的像素坐标。其中，人脸的关键点可以包括五官以及脸部轮廓。再根据第一图像和第二图像之间相差10倍的尺寸关系，将第一预测模型输出n个像素点映射到第二图像中，得到关键点在第二图像中的初始位置，也即是得到人脸关键点在第二图像中对应的10*n个像素点以及各自的像素坐标。
157.接着，终端设备再将大尺寸的第二图像输入自身配置的第二预测模型中，以由此模型根据第二图像和10*n个像素点确定出关键点在第二图像中对应的位置偏移量。其中，映射后得到的像素点的像素坐标，与第二预测模型输出的位置偏移量一一对应。
158.最终，终端设备将10*n个像素点的像素坐标和位置偏移量对应相加，从而得到人脸关键点在第二图像中的精准位置。进一步地，还可以根据识别出的关键点为用户的眼部添加眼镜特效。
159.其中，第一预测模型和第二预测模型的具体训练过程可以参加上述图3～图4所示实施例中的相关描述。
160.上述场景的内容可以结合图6进行理解。
161.又或者在需要人脸身份识别的场景中，比如楼宇门口的闸机可以得到不同尺寸的第一图像和第二图像，同样使用上述方式检测人脸的关键点，从而完成身份识别功能，放行用户。
162.当然，闸机得到第一图像和第二图像可以发送至与其通信连接的远端服务器，以由远端服务器进行关键点检测，以及身份识别。
163.上述场景的内容可以结合图7进行理解。
164.在物流场景中，快递人员上门取件时可以使用终端设备对包裹进行拍摄，以得到包含包裹的原始图像，终端设备对原始图像进行目标识别，并将包裹所在的图像区域截取出来。在通过调整图像尺寸得到小尺寸的第一图像和大尺度的第二图像。
165.终端设备同样可以利用第一预测模型对第一图像中包裹的关键点进行初步检测，其中，包裹通常是具有规则形状的几何体，则其的关键点可以认为是几何体的顶点。基于第一预测模型输出的初步检测结果，再根据第二预测模型输出的位置偏移量对包裹的关键点在第二图像中的位置进行精细检测。快递人员使用的终端设备上还可以显示包裹体积和待支付运费的金额。
166.上述场景的内容可以结合图8进行理解。
167.图9为本发明实施例提供的一种模型训练方法的流程图，本发明实施例提供的该
模型训练方法可以由检测设备来执行。可以理解的是，该检测设备可以实现为软件、或者软件和硬件的组合。如图9所示，该方法包括如下步骤：
168.s401，获取包含目标对象的第一训练样本和第二训练样本，第一训练样本的尺寸大于第二训练样本的尺寸。
169.s402，将第一训练样本输入第一预测模型，以由第一预测模型输出目标对象的关键点在第一训练样本中的位置。
170.s403，根据第一预测模型的输出结果确定关键点对应的参考位置偏移量。
171.s404，将第二训练样本作为输入，将参考位置偏移量作为监督信息，训练第二预测模型。
172.需要说明的有，本实施例中的第一训练样本为小尺寸的图像，即图3所示实施例中的第二训练样本；本实施例中的第二训练样本为大尺寸图像，即图3所示实施例中的第一训练样本。
173.基于上述的对应关系，第一训练样本、第二训练样本的获取方式、参考位置偏移量的具体计算过程、第二预测模型的训练过程均可以参见图3所示实施例中的相关描述，在此不再赘述。并且对于，第一预测模型同样也可以预先训练至收敛，具体训练过程也可以参见上述描述。
174.本实施例中，作为监督信息的参考位置偏移量不是人工标注的，而是基于第一预测模型的输出结果以及用户对训练样本中关键点的标注得到的，使得监督信息的获取更加容易、准确，从而保证第二预测模型的训练更加容易。
175.可选地，为了保证模型训练的效果，可以借助损失函数调整第二预测模型的模型参数。可选地，损失函数的具体表现形式也可以参见上述描述。
176.上述实施例提供的模型训练方法可以部署在服务平台上，用以为用户提供模型训练服务。服务器可以是服务平台的载体。则图10为本发明实施例提供的另一种模型训练方法的流程图。如图10所示，该方法可以包括如下步骤：
177.s501，接收调用训练服务的请求。
178.s502，响应于用户的输入操作，获取包含目标对象的第一训练样本和第二训练样本，第一训练样本和第二训练样本包含于请求中，第一训练样本的尺寸大于第二训练样本的尺寸。
179.s503，将第一训练样本输入第一预测模型，以由第一预测模型输出目标对象的关键点在第一训练样本中的位置。
180.s504，根据第一预测模型的输出结果确定关键点对应的参考位置偏移量。
181.s505，将第二训练样本作为输入，将参考位置偏移量作为监督信息，训练第二预测模型。
182.s506,输出第二预测模型的模型参数。
183.对于存在模型训练需求的用户，比如可是直播平台、快递平台、楼宇的物业机构等等的维护人员，其可以向服务器发送训练请求。请求中包括不同尺寸的第一训练样本和第二训练样本，则可以不同尺寸的训练样本认为是用户输入给服务器的。
184.服务器接收到训练样本后可以借助已经训练至收敛的第一预测模型完成第二预测模型的训练，并最终输出第二预测模型的模型参数，以使有模型训练需求的用户得到此
参数。
185.本实施例中各步骤的具体实现过程可以参见图9所示实施例的相关说明。本实施例能够实现的技术效果也可以参考上述各实施例中的描述，在此再不赘述。
186.以下将详细描述本发明的一个或多个实施例的关键点检测装置。本领域技术人员可以理解，这些关键点检测装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
187.图11为本发明实施例提供的一种关键点检测装置的结构示意图，如图10所示，该装置包括：
188.第一确定模块11，用于在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置。
189.第二确定模块12，用于根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述第二图像的尺寸大于所述第一图像的尺寸。
190.第三确定模块13，用于根据所述位置偏移量确定所述关键点在所述第二图像中的位置。
191.可选地，所述第二确定模块12具体用于：根据所述第一图像和所述第二图像的尺寸关系，以及所述关键点在所述第一图像中的位置，确定所述关键点在所述第二图像中的初始位置；以及根据所述初始位置以及所述第二图像，确定所述关键点对应的位置偏移量。
192.所述第三确定模块13具体用于：根据所述位置偏移量与所述初始位置，确定为所述关键点在所述第二图像中的目标位置。
193.可选地，所述装置还包括：
194.第一获取模块21，用于获取原始图像。
195.提取模块22，用于在所述原始图像中，提取所述目标对象所在的图像区域。
196.尺寸调整模块23，用于调整所述图像区域的尺寸，以得到尺寸不同的所述第一图像和所述第二图像。
197.可选地，所述第一确定模块11具体用于：将所述第一图像输入第一预测模型，以由所述第一预测模型输出所述关键点在所述第一图像中的位置。
198.可选地，所述第二确定模块12具体用于：将所述第二图像输入第二预测模型，以由所述第二预测模型根据所述第二图像和所述初始位置输出所述位置偏移量。
199.可选地，所述装置还包括：
200.第二获取模块24，用于获取包含所述目标对象的第一训练样本，所述第一训练样本与所述第二图像尺寸相同。
201.第四确定模块25，用于借助所述第一预测模型，确定所述第一训练样本中所述目标对象的关键点对应的参考位置偏移量。
202.输入模块26，用于将所述第一训练样本作为输入，将所述参考位置偏移量作为监督信息，训练所述第二预测模型。
203.可选地，所述装置还包括：参数调整模块27，用于根据所述参考位置偏移量和所述第二预测模型输出的预测位置偏移量，调整所述第二预测模型的模型参数。
204.可选地，所述第四确定模块25具体用于：
205.获取包含所述目标对象的第二训练样本，所述第二训练样本与所述第一图像尺寸相同；
206.将所述第二训练样本输入所述第一预测模型，以由所述第一预测模型输出所述关键点在所述第二训练样本中的位置；
207.根据所述第一训练样本和所述第二训练样本的尺寸关系，以及所述关键点在所述第二训练样本中的位置，确定所述关键点在所述第一训练样本中的位置；
208.将所述关键点在所述第一训练样本中的位置与预先标注的所述关键点在所述第一训练样本中的位置的差值，确定为所述参考位置偏移量。
209.图11所示的装置可以执行图1至图4所示实施例的方法，本实施例未详细描述的部分，可参考对图1至图4所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1至图4所示实施例中的描述，在此不再赘述。
210.以上描述了关键点检测装置的内部功能和结构，在一个可能的设计中，关键点检测装置的结构可实现为一电子设备，如图12所示，该电子设备可以包括：处理器31和存储器32。其中，所述存储器32用于存储支持该电子设备执行上述图1至图4所示实施例中提供的关键点检测方法的程序，所述处理器31被配置为用于执行所述存储器32中存储的程序。
211.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器31执行时能够实现如下步骤：
212.在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
213.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述第二图像的尺寸大于所述第一图像的尺寸；
214.根据所述位置偏移量确定所述关键点在所述第二图像中的位置。
215.可选地，所述处理器31还用于执行前述图1至图4所示实施例中的全部或部分步骤。
216.其中，所述电子设备的结构中还可以包括通信接口33，用于该电子设备与其他设备或通信网络通信。
217.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图1至图4所示方法实施例中关键点检测方法所涉及的程序。
218.图13为本发明实施例提供的另一种关键点检测装置的结构示意图，如图13所示，该装置包括：
219.接收模块41，用于接收调用检测服务的请求。
220.执行模块42，用于根据所述检测服务对应的处理资源执行如下步骤：
221.响应于拍摄操作，在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
222.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述请求中包括所述第一图像和所述第二图像，所述第二图像的尺寸大于所述第一图像的尺寸；
223.根据所述位置偏移量确定所述关键点在所述第二图像中的位置；
224.展示标注有所述关键点的第二图像。
225.图13所示的装置可以执行图5所示实施例的方法，本实施例未详细描述的部分，可参考对图5所示实施例的相关说明。该技术方案的执行过程和技术效果参见图5所示实施例中的描述，在此不再赘述。
226.以上描述了关键点检测装置的内部功能和结构，在一个可能的设计中，关键点检测装置的结构可实现为一电子设备，如图14所示，该电子设备可以包括：处理器43和存储器44。其中，所述存储器44用于存储支持该电子设备执行上述图5所示实施例中提供的关键点检测方法的程序，所述处理器43被配置为用于执行所述存储器44中存储的程序。
227.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器43执行时能够实现如下步骤：
228.接收调用检测服务的请求，根据所述检测服务对应的处理资源执行如下步骤：
229.响应于拍摄操作，在包含目标对象的第一图像中，确定所述目标对象的关键点在所述第一图像中的位置；
230.根据包含所述目标对象的第二图像以及所述关键点在所述第一图像中的位置，确定所述关键点对应的位置偏移量，所述请求中包括所述第一图像和所述第二图像，所述第二图像的尺寸大于所述第一图像的尺寸；
231.根据所述位置偏移量确定所述关键点在所述第二图像中的位置；
232.展示标注有所述关键点的第二图像。
233.可选地，所述处理器43还用于执行前述图5所示实施例中的全部或部分步骤。
234.其中，所述电子设备的结构中还可以包括通信接口44，用于该电子设备与其他设备或通信网络通信。
235.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图5所示方法实施例中关键点检测方法所涉及的程序。
236.以下将详细描述本发明的一个或多个实施例的模型训练装置。本领域技术人员可以理解，这些模型训练装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
237.图15为本发明实施例提供的一种模型训练装置的结构示意图，如图15所示，该装置包括：
238.获取模块51，用于获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本的尺寸大于所述第二训练样本的尺寸。
239.输入模块52，用于将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置。
240.确定模块53，用于根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量。
241.训练模块54，用于将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型。
242.可选地，所述装置还包括：参数调整模块55，用于根据所述参考位置偏移量和所述第二预测模型输出的预测位置偏移量，调整所述第二预测模型的模型参数。
243.可选地，所述确定模块53，用于根据所述第一训练样本和所述第二训练样本的尺寸关系，以及所述第一预测模型的输出结果，确定所述关键点在所述第二训练样本中的位置；以及将所述关键点在所述第二训练样本中的位置和预先标注的所述关键点在所述第二训练样本中的位置的差值，确定为所述参考位置偏移量。
244.可选地，所述装置还包括：提取模块56和尺寸调整模块57。
245.所述获取模块51，用于获取原始训练样本。
246.所述提取模块56，用于在所述原始训练样本中，提取所述目标对象所在的图像区域。
247.所述尺寸调整模块57，用于调整所述图像区域的尺寸，以得到具有不同尺寸的所述第一训练样本和所述第二训练样本。
248.图15所示的装置可以执行图9所示实施例的方法，本实施例未详细描述的部分，可参考对图9所示实施例的相关说明。该技术方案的执行过程和技术效果参见图9所示实施例中的描述，在此不再赘述。
249.以上描述了模型训练装置的内部功能和结构，在一个可能的设计中，模型训练装置的结构可实现为一电子设备，如图16所示，该电子设备可以包括：处理器61和存储器62。其中，所述存储器62用于存储支持该电子设备执行上述图9所示实施例中提供的关键点检测方法的程序，所述处理器61被配置为用于执行所述存储器62中存储的程序。
250.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器61执行时能够实现如下步骤：
251.获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
252.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置；
253.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
254.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型。
255.可选地，所述处理器61还用于执行前述图9所示实施例中的全部或部分步骤。
256.其中，所述电子设备的结构中还可以包括通信接口63，用于该电子设备与其他设备或通信网络通信。
257.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图9所示方法实施例中模型训练方法所涉及的程序。
258.图17为本发明实施例提供的另一种模型训练装置的结构示意图，如图17所示，该装置包括：
259.接收模块71，用于接收调用训练服务的请求。
260.执行模块72，用于根据所述训练服务对应的处理资源执行如下步骤：
261.响应于用户的输入操作，获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本包含于所述请求中，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
262.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对
象的关键点在所述第一训练样本中的位置；
263.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
264.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型；
265.输出所述第二预测模型的模型参数。
266.图17所示的装置可以执行图10所示实施例的方法，本实施例未详细描述的部分，可参考对图10所示实施例的相关说明。该技术方案的执行过程和技术效果参见图10所示实施例中的描述，在此不再赘述。
267.以上描述了模型训练装置的内部功能和结构，在一个可能的设计中，关键点检测装置的结构可实现为一电子设备，如图18所示，该电子设备可以包括：处理器73和存储器74。其中，所述存储器74用于存储支持该电子设备执行上述图10所示实施例中提供的关键点检测方法的程序，所述处理器73被配置为用于执行所述存储器74中存储的程序。
268.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器73执行时能够实现如下步骤：
269.接收调用检测服务的请求，根据所述检测服务对应的处理资源执行如下步骤：
270.响应于用户的输入操作，获取包含目标对象的第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本包含于所述请求中，所述第一训练样本的尺寸大于所述第二训练样本的尺寸；
271.将所述第一训练样本输入第一预测模型，以由所述第一预测模型输出所述目标对象的关键点在所述第一训练样本中的位置；
272.根据所述第一预测模型的输出结果确定所述关键点对应的参考位置偏移量；
273.将所述第二训练样本作为输入，将所述参考位置偏移量作为监督信息，训练第二预测模型；
274.输出所述第二预测模型的模型参数。
275.可选地，所述处理器73还用于执行前述图10所示实施例中的全部或部分步骤。
276.其中，所述电子设备的结构中还可以包括通信接口75，用于该电子设备与其他设备或通信网络通信。
277.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图10所示方法实施例中模型训练方法所涉及的程序。
278.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。