检测模型的训练方法、检测方法、装置、设备及介质与流程

1.本发明实施例涉及目标检测技术领域，具体而言，涉及一种头肩关键点检测模型的训练方法、检测方法、装置、设备及介质。


背景技术：

2.目标检测是计算机视觉领域中一项经典的研究课题，它的任务是指出一张图中目标的准确位置，在无人驾驶、人流统计分析等领域具有广泛的应用。近年来，得益于深度卷积网络的引入，目标检测算法发展迅速，将检测性能提高到了新的高度。
3.目前，对图像中头部和肩部关键点的检测方案一般有两种：一种是基于传统的图像处理方法先进行局部直线段检测，然后通过启发式准则搜索头肩关键点。一种是人体姿态估计中的人体关键点检测方法，这类方法通常采用cnn提取特征并预测关键点的热力图，然后通过图模型的方法建立关键点之间的连接关系。
4.但是，基于传统的图像处理的头肩关键点检测方法，依赖直线段检测的精度和召回率，容易受到光照和图像质量的影响出现严重退化的情形。另外基于规则的判断方法能够检索到多个符合规则的头肩关键点，因此容易出现虚警。基于深度学习的人体关键点检测方法由于待估计关键点较多、下半身关键点容易受到视角和姿态的影响，因此估计难度较大，无法得到头肩关键点在图像中的准确位置。


技术实现要素：

5.本发明实施例提供一种头肩关键点检测模型的训练方法、检测方法、装置、设备及介质，有效提高了头肩关键点的检测精度。
6.第一方面，本发明实施提供了一种头肩关键点检测模型的训练方法，该方法包括：
7.利用训练样本集对检测模型进行训练，其中，所述训练样本集中包含有原始特征图及其对称特征图；
8.在训练过程中，对于每一个训练样本，确定基于所述检测模型所预测的头部关键点与该训练样本中标注的头部关键点的第一欧式距离，以及基于所述检测模型预测的肩部关键点与该训练样本中标注的肩部关键点的第二欧式距离；
9.对预测的肩部关键点进行归一化，并确定肩部归一化后所对应的头部关键点在头部先验概率分布中对应的概率值；其中，所述肩部归一化使得人脸处于背面朝向时两个肩膀关键点的连线与水平夹角为0度，且，两个肩膀关键点连线为图像宽度；
10.根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值，当所述加权损失值达到收敛时，所述检测模型训练完成；
11.其中，根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值具体通过如下损失函数计算得到：
12.l＝(1-p+0.5)*lh+0.5*l
lr
；
13.其中，l表示加权损失值；p表示对预测的肩部关键点进行归一化后，对应的头部关
键点在头部先验概率分布中对应的概率值；lh表示第一欧式距离，l
lr
表示第二欧式距离；
14.其中，所述头部先验概率分布通过如下方式得到：
15.对训练样本中标定的肩部关键点进行归一化，并根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，通过对所述头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
16.可选的，所述对称特征图，通过如下方式得到：
17.基于所述检测模型对原始样本图像进行特征提取，得到包含有头部和肩部的多个原始特征图；
18.将通过检测模型得到的最后一层原始特征图对应的特征矩阵进行上下翻转操作和左右翻转操作，得到与所述最后一层原始特征图相对称的对称特征图；其中，所述上下翻转操作是将所述特征矩阵的第i行数据与第h-i行进行互换；所述左右翻转操作是将所述特征矩阵的第i列数据与第w-i列数据互换；
19.其中，图像的宽高分别为w和h。
20.可选的，所述根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，包括：
21.建立数值为0的初始概率分布矩阵，所述初始概率分布矩阵中行的个数与图像行的个数相同；所述初始概率分布矩阵中列的个数与图像列的个数相同；
22.对于任意一个头部关键点，确定肩部归一化后该头部关键点的坐标，并根据该坐标将所述概率分布矩阵中对应位置的数值加一，直到累加得到所有头部关键点对应的头部关键点统计矩阵。
23.可选的，在得到头部关键点统计矩阵之后，所述方法还包括：
24.基于预设卷积高斯模糊核对所述头部关键点统计矩阵进行高斯滤波；其中，预设卷积高斯模糊核为：
[0025][0026]
相应的，对高斯滤波后的头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0027]
第二方面，本发明实施例还提供了一种头肩关键点的检测方法，该方法包括：
[0028]
获取包含有头部和肩部的待测图像；
[0029]
将所述待测图像输入已完成训练的检测模型，得到头部关键点和肩部关键点在所述待测图像中的位置信息；
[0030]
其中，所述检测模型通过本发明任意实施例所提供的头肩关键点检测模型的训练方法进行训练，以建立待测图像中头部关键点和肩部关键点与对应位置信息之间的关联关系。
[0031]
第三方面，本发明实施例还提供了一种头肩关键点检测模型的训练装置，该装置包括：
[0032]
距离计算模块，被配置为利用训练样本集对检测模型进行训练，其中，所述训练样本集中包含有原始特征图及其对称特征图；在训练过程中，对于每一个训练样本，确定基于
所述检测模型所预测的头部关键点与该训练样本中标注的头部关键点的第一欧式距离，以及基于所述检测模型预测的肩部关键点与该训练样本中标注的肩部关键点的第二欧式距离；
[0033]
概率值确定模块，被配置为对预测的肩部关键点进行归一化，并确定肩部归一化后所对应的头部关键点在头部先验概率分布中对应的概率值；其中，所述肩部归一化使得人脸处于背面朝向时两个肩膀关键点的连线与水平夹角为0度，且，两个肩膀关键点连线为图像宽度；
[0034]
加权损失值计算模块，被配置为根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值，当所述加权损失值达到收敛时，所述检测模型训练完成；
[0035]
其中，根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值具体通过如下损失函数计算得到：
[0036]
l＝(1-p+0.5)*lh+0.5*l
lr
；
[0037]
其中，l表示加权损失值；p表示对预测的肩部关键点进行归一化后，对应的头部关键点在头部先验概率分布中对应的概率值；lh表示第一欧式距离，l
lr
表示第二欧式距离；
[0038]
其中，所述头部先验概率分布通过如下方式得到：
[0039]
对训练样本中标定的肩部关键点进行归一化，并根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，通过对所述头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0040]
可选的，所述对称特征图，通过如下方式得到：
[0041]
基于所述检测模型对原始样本图像进行特征提取，得到包含有头部和肩部的多个原始特征图；
[0042]
将通过检测模型得到的最后一层原始特征图对应的特征矩阵进行上下翻转操作和左右翻转操作，得到与所述最后一层原始特征图相对称的对称特征图；其中，所述上下翻转操作为将所述特征矩阵的第i行数据与第h-i行进行互换；所述左右翻转操作是将所述特征矩阵的第i列数据与第w-i列数据互换；
[0043]
其中，图像的宽高分别为w和h。
[0044]
可选的，所述头部先验概率分布具体通过如下方式得到：
[0045]
建立数值为0的初始概率分布矩阵，所述初始概率分布矩阵中行的个数与图像行的个数相同；所述初始概率分布矩阵中列的个数与图像列的个数相同；
[0046]
对训练样本中标定的肩部关键点进行归一化，并确定肩部归一化后头部关键点的坐标，并根据该坐标将所述概率分布矩阵中对应位置的数值加一，直到累加得到所有头部关键点对应的头部关键点统计矩阵。
[0047]
可选的，所述装置还包括：
[0048]
在得到头部关键点统计矩阵之后，基于预设卷积高斯模糊核对所述头部关键点统计矩阵进行高斯滤波；其中，预设卷积高斯模糊核为：
[0049]
[0050]
相应的，对高斯滤波后的头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0051]
第四方面，本发明实施例还提供了一种头肩关键点的检测装置，该装置包括：
[0052]
待测图像获取模块，被配置为获取包含有头部和肩部的待测图像；
[0053]
关键点位置确定模块，被配置为将所述待测图像输入已完成训练的检测模型，得到头部关键点和肩部关键点在所述待测图像中的位置；
[0054]
其中，所述检测模型通过本发明任意实施例所提供的头肩关键点检测模型的训练方法进行训练，以建立待测图像中头部关键点和肩部关键点与对应位置信息之间的关联关系。
[0055]
第五方面，本发明实施例还提供了一种计算设备，包括：
[0056]
存储有可执行程序代码的存储器；
[0057]
与所述存储器耦合的处理器；
[0058]
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的头肩关键点检测模型的训练方法。
[0059]
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的头肩关键点检测模型的训练方法。
[0060]
第七方面，本发明实施例还提供了一种计算设备，包括：
[0061]
存储有可执行程序代码的存储器；
[0062]
与所述存储器耦合的处理器；
[0063]
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的头肩关键点的检测方法。
[0064]
第八方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的头肩关键点的检测方法。
[0065]
本发明实施例提供的技术方案，在检测模型的训练过程中，采用了与原始特征图相对称的对称特征图，增加了特征分布模式，增加了样本的多样性，并且在前向推理时不增加网络计算复杂度。此外，本实施例根据头肩关键点的结构关系和分布的相对位置关系，提出一种新的度量预测结果度量的损失函数。根据样本中头部关键点相对于两个肩部关键点的位置关系，统计得到一个归一化的头部关键点概率分布图。新的损失函数度量中根据此概率分布图对头部关键点损失进行加权，可以有效避免预测错误离谱的现象，有效提高头肩关键点的检测精度。
[0066]
本发明实施例的创新点包括：
[0067]
1、在检测模型训练过程中，采用了与原始特征图相对称的对称特征图，增加了特征分布模式，增加了样本的多样性，是本发明实施例的创新点之一。
[0068]
2、根据样本中头部关键点相对于两个肩部关键点的位置关系，统计得到一个归一化的头部关键点概率分布图。新的损失函数度量中根据此概率分布图对头部关键点损失进行加权，可以有效避免预测错误离谱的现象，有效提高头肩关键点的检测精度，是本发明实施例的创新点之一。
附图说明
[0069]
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简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0070]
图1a为本发明实施例一提供的一种头肩关键点检测模型的训练方法的流程图；
[0071]
图1b为本发明实施例一提供的一种检测模型特征提取示意图；
[0072]
图1c为本发明实施例一提供的肩部关键点归一化示意图；
[0073]
图2为本发明实施例二提供的一种头肩关键点的检测方法的流程图；
[0074]
图3为本发明实施例三提供的头肩关键点检测模型的训练装置的结构框图；
[0075]
图4为本发明实施例四提供的一种头肩关键点的检测装置的结构框图；
[0076]
图5为本发明实施例五提供的一种计算设备的结构示意图。
具体实施方式
[0077]
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，所描述的实施例仅仅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付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。
[0078]
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0079]
本发明实施例公开了一种头肩关键点检测模型的训练方法、检测方法、装置、设备及介质。以下分别进行详细说明。
[0080]
实施例一
[0081]
图1a为本发明实施例一提供的一种头肩关键点检测模型的训练方法的流程图，该方法可应用于自动驾驶、人流统计分析过程中，特别是可应用在单目摄像头俯视场景下头肩关键点的估计过程中。该方法可由头肩关键点检测模型的训练装置来完成，该装置可通过软件和/或硬件的方式实现。如图1a所示，该方法包括：
[0082]
110、利用训练样本集对检测模型进行训练，其中，所述训练样本集中包含有原始特征图及其对称特征图。
[0083]
其中，训练样本中标定有头部和肩部关键点的位置。其中，头部关键点为头部的中心点，肩部关键点为肩膀两端点。
[0084]
其中，训练样本对应的特征图可通过检测模型的主干网络提取得到，该主干网络可以是vgg(visual geometry group network，视觉几何群网络)，resnet(残差网路)等卷积神经网络。
[0085]
在得到原始特征图之后，通过对称变换，可得到对称特征图。具体的，将通过检测模型得到的最后一层原始特征图对应的特征矩阵进行上下翻转(flip)操作和左右翻转(flip)操作，得到与最后一层原始特征图相对称的对称特征图；其中，上下翻转操作是将特
征矩阵的第i行数据与第h-i行进行互换；左右翻转操作是将所述特征矩阵的第i列数据与第w-i列数据互换。其中，图像的宽高分别为w和h。互换以后可以根据互换关系得到对应点的头肩关键点坐标。需要注意的是在这一flip处理当中，特征数值没有发生变化，但是其对应的特征分布改变了，其对应的头部关键点标注、左右肩膀的关键点标注也需要进行互换。
[0086]
具体的，以正脸图像为基准，头部关键点groundtruth(真实答案，即希望网络预测得到的结果)坐标为(xh,yh)，图像左侧肩膀为行人右侧肩膀，标记为(xr,yr),图像右侧肩膀为行人左侧肩膀，标记为(x
l
,y
l
)。图像的宽高分别为w和h。网络最后一层特征图可以表示为m
×
n的特征矩阵m1，经过上下和左右两次flip操作得到m
×
n的特征矩阵m2和m3。其中，m2特征矩阵对应的groundtruth分别为头部关键点为(xh,h-yh)，行人左右肩部关键点分别为(x
l
,h-y
l
)和(xr,h-yr)。m3特征矩阵对应的groundtruth分别为头部关键点(w-xh,yh)，行人左右肩部关键点分别为(w-x
l
,y
l
)和(w-xr,yr)。以上通过flip操作产生了两个与原始特征对称的特征图，该特征图与随机crop(裁切)图像产生的随机图不同，因为产生了新的图像模式-左右肩膀对称互换。与原始图像进行flip也不同，本实施例优选只在最后一层进行特征图的对称变换，因此可以节省90％以上的计算量。
[0087]
具体的，图1b为本发明实施例一提供的一种检测模型特征提取示意图，如图1b所示，样本图像输入到检测模型后，经过特征提取，可得到包含有头部和肩部的多个原始特征图。在对最后一层原始特征图对应的特征矩阵进行上下翻转操作和左右翻转操作后，可得到与最后一层原始特征图相对称的对称特征图，在训练过程中可达到增加样本的多样性的效果。
[0088]
120、在训练过程中，对于每一个训练样本，确定基于检测模型所预测的头部关键点与该训练样本中标注的头部关键点的第一欧式距离，以及基于模型预测的肩部关键点与该训练样本中标注的肩部关键点的第二欧式距离。
[0089]
具体的，可通过如下公式计算第一欧式距离和第二欧式距离：
[0090][0091][0092]
其中，lh表示第一欧式距离；(xh,yh)表示检测模型所预测的头部关键点的坐标；(x
gh
,y
gh
)表示头部关键点的标定坐标；l
lr
表示第二欧式距离；(xr,yr)表示检测模型所预测的右肩部关键点坐标；(x
rg
,y
rg
)表示标定的右肩部关键点；(x
l
,y
l
)表示检测模型所预测的左肩部关键点坐标；(x
lg
,y
lg
)表示标定的左肩部关键点坐标。
[0093]
130、对预测的肩部关键点进行归一化，并确定肩部归一化后所对应的头部关键点在头部先验概率分布中对应的概率值。
[0094]
其中，肩部归一化使得人脸处于背面朝向时肩膀关键点的连线与水平夹角为0度，且，两个肩膀关键点连线为图像宽度。具体的，图1c为本发明实施例一提供的肩部关键点归一化示意图，如图1c所示，根据标定的两个肩膀关键点和人脸朝向，将图像进行旋转。旋转后两个肩膀关键点的连线与水平夹角为0度，人脸处于背面朝向。旋转后根据两个肩膀关键点的距离将图像缩放至256宽度，对应的头部关键点为
[0095]
具体的，头部先验概率分布可在模型训练之前通过如下方式得到：
[0096]
对训练样本中标定的肩部关键点进行归一化，并根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，通过对所述头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0097]
其中，根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，包括：
[0098]
建立数值为0的初始概率分布矩阵，所述初始概率分布矩阵中行的个数与图像行的个数相同；所述初始概率分布矩阵中列的个数与图像列的个数相同；如图1c所示，可建立256
×
128的矩阵。
[0099]
对于任意一个头部关键点，确定肩部归一化后该头部关键点的坐标，并根据该坐标，将概率分布矩阵中对应位置的数值加一，直到累加得到所有头部关键点对应的头部关键点统计矩阵。
[0100]
进一步的，在得到头部关键点统计矩阵之后，还可以基于预设卷积高斯模糊核对头部关键点统计矩阵进行高斯滤波；其中，预设卷积高斯模糊核为：
[0101][0102]
针对矩阵的卷积可以表示为：得到高斯滤波后的头部关键点统计矩阵p。
[0103]
进一步的，通过对头部关键点统计矩阵进行归一化，可得到头部关键点的先验概率分布。
[0104]
其中，头部关键点统计矩阵进行归一化是将矩阵中的每个数值除以所有数值的和，得到肩部归一化后对应的各头部关键点在图像中出现次数的概率值。具体可通过如下公式来表示：
[0105][0106]
其中，p(x,y)表示头部关键点统计矩阵，表示头部关键点的先验概率分布。
[0107]
本实施例中，统计得到的先验概率分布是作用于图1b的损失函数，根据此先验概率分布图对头部关键点损失进行加权，可以有效避免头部关键点预测错误离谱的现象。
[0108]
140、根据肩部归一化后所对应的头部关键点在头部先验概率分布中对应的概率值，第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值，当加权损失值达到收敛时，检测模型训练完成。
[0109]
其中，检测模型的训练过程为：每个批次的训练样本送入模型后，通过前向传播输出预测值，然后通过损失函数会计算出预测值和真实值之间的差异值，也就是损失值。得到损失值之后，模型通过反向传播去更新各个参数，来降低真实值与预测值之间的损失，使得模型生成的预测值往真实值方向靠拢，直到损失函数的值达到收敛，模型训练完成。
[0110]
本实施例中，加权损失值具体可通过如下损失函数计算得到：
[0111]
l＝(1-p+0.5)*lh+0.5*l
lr
；
[0112]
其中，l表示加权损失值；p表示预测的肩部关键点在归一化后，对应的头部关键点
在头部先验概率分布中对应的概率值；lh表示第一欧式距离，l
lr
表示第二欧式距离。
[0113]
本实施例提供的检测模型训练方法中，采用了与原始特征图相对称的对称特征图，增加了特征分布模式，增加了样本的多样性，并且在前向推理时不增加网络计算复杂度。此外，本实施例根据头肩关键点的结构关系和分布的相对位置关系，提出一种新的度量预测结果度量的损失函数。根据样本中头部关键点相对于两个肩部关键点的位置关系，统计得到一个归一化的头部关键点概率分布图。新的损失函数度量中根据此概率分布图对头部关键点损失进行加权，可以有效避免预测错误离谱的现象，有效提高头肩关键点的检测精度。
[0114]
实施例二
[0115]
图2为本发明实施例二提供的一种头肩关键点的检测方法的流程图，该检测方法可通过头肩关键点的检测装置来完成，该装置可通过软件和/或硬件的方式实现，如图2所示，该方法包括：
[0116]
210、获取包含有头部和肩部的待测图像。
[0117]
220、将待测图像输入已完成训练的检测模型，得到头部关键点和肩部关键点在待测图像中的位置信息。
[0118]
其中，检测模型在训练完成后，即建立了图像中头部关键点和肩部关键点与其位置信息之间的关联关系。其中，检测模型的具体训练过程可参照上述实施例的说明，此处不再赘述。
[0119]
本实施例中，通过采用上述实施例已经训练完成的检测模型对待测图像进行头肩关键点检测，有效提高了头肩关键点的检测精度。
[0120]
实施例三
[0121]
图3为本发明实施例三提供的头肩关键点检测模型的训练装置的结构框图，如图3所示，该装置包括：距离计算模块310、概率值确定模块320和加权损失值计算模块330。其中，
[0122]
距离计算模块310，被配置为利用训练样本集对检测模型进行训练，其中，所述训练样本集中包含有原始特征图及其对称特征图；在训练过程中，对于每一个训练样本，确定基于所述检测模型所预测的头部关键点与该训练样本中标注的头部关键点的第一欧式距离，以及基于所述检测模型预测的肩部关键点与该训练样本中标注的肩部关键点的第二欧式距离；
[0123]
概率值确定模块320，被配置为对预测的肩部关键点进行归一化，并确定肩部归一化后所对应的头部关键点在头部先验概率分布中对应的概率值；其中，所述肩部归一化使得人脸处于背面朝向时两个肩膀关键点的连线与水平夹角为0度，且，两个肩膀关键点连线为图像宽度；
[0124]
加权损失值计算模块330，被配置为根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值，当所述加权损失值达到收敛时，所述检测模型训练完成；
[0125]
其中，根据所述概率值、第一欧式距离和第二欧式距离，计算头部关键点对应的加权损失值具体通过如下损失函数计算得到：
[0126]
l＝(1-p+0.5)*lh+0.5*l
lr
；
[0127]
其中，l表示加权损失值；p表示对预测的肩部关键点进行归一化后，对应的头部关键点在头部先验概率分布中对应的概率值；lh表示第一欧式距离，l
lr
表示第二欧式距离；
[0128]
其中，所述头部先验概率分布通过如下方式得到：
[0129]
对训练样本中标定的肩部关键点进行归一化，并根据肩部归一化后所对应的头部关键点的坐标形成头部关键点统计矩阵，通过对所述头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0130]
可选的，所述对称特征图，通过如下方式得到：
[0131]
基于所述检测模型对原始样本图像进行特征提取，得到包含有头部和肩部的多个原始特征图；
[0132]
将通过检测模型得到的最后一层原始特征图对应的特征矩阵进行上下翻转操作和左右翻转操作，得到与所述最后一层原始特征图相对称的对称特征图；其中，所述上下翻转操作是将所述特征矩阵的第i行数据与第h-i行进行互换；所述左右翻转操作是将所述特征矩阵的第i列数据与第w-i列数据互换。
[0133]
可选的，所述头部先验概率分布具体通过如下方式得到：
[0134]
建立数值为0的初始概率分布矩阵，所述初始概率分布矩阵中行的个数与图像行的个数相同；所述初始概率分布矩阵中列的个数与图像列的个数相同；
[0135]
对训练样本中标定的肩部关键点进行归一化，并确定肩部归一化后头部关键点的坐标；根据该坐标将所述概率分布矩阵中对应位置的数值加一，直到累加得到所有头部关键点对应的头部关键点统计矩阵。
[0136]
可选的，所述装置还包括：
[0137]
在得到头部关键点统计矩阵之后，基于预设卷积高斯模糊核对所述头部关键点统计矩阵进行高斯滤波；其中，预设卷积高斯模糊核为：
[0138][0139]
相应的，对高斯滤波后的头部关键点统计矩阵进行归一化，得到头部关键点的先验概率分布。
[0140]
本发明实施例所提供的头肩关键点检测模型的训练装置可执行本发明任意实施例所提供的头肩关键点检测模型的训练方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的头肩关键点检测模型的训练方法。
[0141]
实施例四
[0142]
图4为本发明实施例四提供的一种头肩关键点的检测装置的结构框图，该装置包括：待测图像获取模块410和关键点位置确定模块420；其中，
[0143]
待测图像获取模块410，被配置为获取包含有头部和肩部的待测图像；
[0144]
关键点位置确定模块420，被配置为将所述待测图像输入已完成训练的检测模型，得到头部关键点和肩部关键点在所述待测图像中的位置；
[0145]
其中，所述检测模型通过本发明任意实施例所提供的头肩关键点检测模型的训练方法进行训练，以建立待测图像中头部关键点和肩部关键点与对应位置信息之间的关联关
系。
[0146]
本发明实施例所提供的头肩关键点的检测装置可执行本发明任意实施例所提供的头肩关键点的检测方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的头肩关键点的检测方法。
[0147]
实施例五
[0148]
请参阅图5，图5为本发明实施例五提供的一种计算设备的结构示意图。如图5所示，该计算设备可以包括：
[0149]
存储有可执行程序代码的存储器701；
[0150]
与存储器701耦合的处理器702；
[0151]
其中，处理器702调用存储器701中存储的可执行程序代码，执行本发明任意实施例所提供的头肩关键点检测模型的训练方法。
[0152]
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的头肩关键点检测模型的训练方法。
[0153]
本发明实施例还提供了一种计算设备，包括：
[0154]
存储有可执行程序代码的存储器；
[0155]
与所述存储器耦合的处理器；
[0156]
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的头肩关键点的检测方法。
[0157]
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的头肩关键点的检测方法。
[0158]
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0159]
在本发明所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
[0160]
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0161]
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
[0162]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存
储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0163]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0164]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0165]
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实施例技术方案的精神和范围。