一种图像目标属性检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种图像目标属性检测方法、装置、设备及存储介质，涉及计算机视觉领域，包括：利用基于预设目标边框训练集训练第一深度学习模型以得到的训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，并根据第一检测结果对所述待检测图像进行裁剪，以得到相应的目标子图；利用基于预设关键点训练集训练第二深度学习模型以得到的训练后的第二深度学习模型对目标子图进行检测以得到第二检测结果；根据第二检测结果获取相应的目标信息，并基于目标信息对待检测图像的目标属性进行检测。本申请通过目标边框检测和关键点检测结合的方式，充分利用待检测图像中的信息，有效提高目标属性检测的准确率。有效提高目标属性检测的准确率。有效提高目标属性检测的准确率。

【技术实现步骤摘要】
一种图像目标属性检测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机视觉领域，特别涉及一种图像目标属性检测方法、装置、设备及存储介质。

技术介绍

[0002]当前，目标检测（Object Detection）是计算机视觉领域的基本任务之一，在计算机视觉任务中对目标属性进行检测一般是基于目标检测模型检测目标后再对目标属性进行检测，但是仅基于目标检测模型的检测结果进行属性检测会引起对图像中的信息利用得不够充分的问题，例如，通过目标检测模型检测图像中的目标时，无法获取到目标的姿态信息、动作信息，就会导致图像目标属性检测的准确率低的问题。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种图像目标属性检测方法、装置、设备及存储介质，能够有效的解决计算机视觉任务中目标属性分类的问题并且还可以有效地提高图像目标属性检测的准确率。其具体方案如下：第一方面，本申请公开了一种图像目标属性检测方法，包括：基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型；利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，并根据所述第一检测结果对所述待检测图像进行裁剪，以得到相应的目标子图；利用所述训练后的第二深度学习模型对所述目标子图进行检测以得到第二检测结果；根据所述第二检测结果获取相应的目标信息，并基于所述目标信息对所述待检测图像的目标属性进行检测。
[0004]可选的，所述基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型之前，还包括：确定图像数据集中的待检测图像中的目标边框和关键点，并对所述目标边框和所述关键点进行标记，以得到与所述目标边框对应的预设目标边框训练集以及与所述关键点对应的预设关键点训练集。
[0005]可选的，所述基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型，包括：利用所述预设目标边框训练集对基于第一深度学习算法构建的第一深度学习模型进行训练以得到训练后的第一深度学习模型，并利用所述预设关键点训练集对基于第二深度学习算法构建的第二深度学习模型进行训练以得到训练后的第二深度学习模型。
[0006]可选的，所述利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，包括：基于所述训练后的第一深度学习模型对待检测图像进行目标检测以得到相应的目标边框坐标信息，并基于所述目标边框坐标信息对所述待检测图像进行裁剪以得到相应的目标子图；相应的，所述利用所述训练后的第二深度学习模型对所述目标子图进行检测以得到第二检测结果，包括：基于所述训练后的第二深度学习模型对所述目标子图进行关键点检测以得到相应的关键点坐标信息。
[0007]可选的，所述基于所述训练后的第一深度学习模型对待检测图像进行目标检测以得到相应的目标边框坐标信息，并基于所述目标边框坐标信息对所述待检测图像进行裁剪以得到相应的目标子图，包括：基于所述训练后的第一深度学习模型对待检测图像进行行人检测以得到相应的行人边框坐标信息，并基于所述行人边框坐标信息对所述待检测图像进行裁剪以得到相应的行人子图；和/或，基于所述训练后的第一深度学习模型对待检测图像进行人脸检测以得到相应的人脸边框坐标信息，并基于所述行人脸框坐标信息对所述待检测图像进行裁剪以得到相应的人脸子图。
[0008]可选的，所述基于所述训练后的第二深度学习模型对所述目标子图进行关键点检测以得到相应的关键点坐标信息，包括：基于所述训练后的第二深度学习模型对所述行人子图进行关键点检测以得到相应的人体关键点坐标信息；和/或，基于所述训练后的第二深度学习模型对所述人脸子图进行关键点检测以得到相应的人脸关键点坐标信息。
[0009]可选的，所述根据所述第二检测结果获取相应的目标信息，包括：基于所述第二检测结果获取所述待检测图像的目标图像信息和关键点信息；相应的，所述基于所述目标信息对所述待检测目标的目标属性进行检测，包括：基于所述目标图像信息和所述关键点信息对所述待检测图像的目标属性进行检测。
[0010]第二方面，本申请公开了一种图像目标属性检测装置，包括：模型训练模块，用于基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型；第一图像检测模块，用于利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，并根据所述第一检测结果对所述待检测图像进行裁剪，以得到相应的目标子图；第二图像检测模块，用于利用所述训练后的第二深度学习模型对所述目标子图进
行检测以得到第二检测结果；信息获取模块，用于根据所述第二检测结果获取相应的目标信息；目标属性检测模块，用于基于所述目标信息对所述待检测图像的目标属性进行检测。
[0011]第三方面，本申请公开了一种图像目标属性检测设备，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现前述公开的图像目标属性检测方法的步骤。
[0012]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的图像目标属性检测方法的步骤。
[0013]可见，本申请提供了一种图像目标属性检测方法，包括：基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型；利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，并根据所述第一检测结果对所述待检测图像进行裁剪，以得到相应的目标子图；利用所述训练后的第二深度学习模型对所述目标子图进行检测以得到第二检测结果；根据所述第二检测结果获取相应的目标信息，并基于所述目标信息对所述待检测图像的目标属性进行检测。由此可知，本申请利用第一深度学习模型对待检测图像进行目标检测，然后再利用第二深度学习模型对基于第一检测结果得到的目标子图进行关键点检测，最后根据第二检测结果获取相应的目标信息，从而基于所述目标信息对待检测图像的目标属性进行检测分析。本申请方案基于深度学习模型进行目标检测和关键点检测结合的方式，充分利用了待检测图像中的信息，有效地提高目标属性检测的准确率，也可以有效解决计算机视觉任务中的目标属性分类的问题。
附图说明
[0014]为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0015]图1为本申请公开的一种图像目标属性检测方法流程图；图2为本申请公开的一种具体的图像目标属性检测方法流程图；图3为本申请公开的一种图像目标属性检测装置结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像目标属性检测方法，其特征在于，包括：基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型；利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，并根据所述第一检测结果对所述待检测图像进行裁剪，以得到相应的目标子图；利用所述训练后的第二深度学习模型对所述目标子图进行检测以得到第二检测结果；根据所述第二检测结果获取相应的目标信息，并基于所述目标信息对所述待检测图像的目标属性进行检测。2.根据权利要求1所述的图像目标属性检测方法，其特征在于，所述基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型之前，还包括：确定图像数据集中的待检测图像中的目标边框和关键点，并对所述目标边框和所述关键点进行标记，以得到与所述目标边框对应的预设目标边框训练集以及与所述关键点对应的预设关键点训练集。3.根据权利要求2所述的图像目标属性检测方法，其特征在于，所述基于预设目标边框训练集训练第一深度学习模型以得到训练后的第一深度学习模型，并基于预设关键点训练集训练第二深度学习模型以得到训练后的第二深度学习模型，包括：利用所述预设目标边框训练集对基于第一深度学习算法构建的第一深度学习模型进行训练以得到训练后的第一深度学习模型，并利用所述预设关键点训练集对基于第二深度学习算法构建的第二深度学习模型进行训练以得到训练后的第二深度学习模型。4.根据权利要求1所述的图像目标属性检测方法，其特征在于，所述利用所述训练后的第一深度学习模型对待检测图像进行检测以得到第一检测结果，包括：基于所述训练后的第一深度学习模型对待检测图像进行目标检测以得到相应的目标边框坐标信息，并基于所述目标边框坐标信息对所述待检测图像进行裁剪以得到相应的目标子图；相应的，所述利用所述训练后的第二深度学习模型对所述目标子图进行检测以得到第二检测结果，包括：基于所述训练后的第二深度学习模型对所述目标子图进行关键点检测以得到相应的关键点坐标信息。5.根据权利要求4所述的图像目标属性检测方法，其特征在于，所述基于所述训练后的第一深度学习模型对待检测图像进行目标检测以得到相应的目标边框坐标信息，并基于所述目标边框坐标信息对所述待检测图像进行裁剪以得到相应的目标子图，包...

【专利技术属性】
技术研发人员：李晗，刘琛，张钦禄，安晓博，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：