一种身体部位识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种身体部位识别方法、装置、电子设备及存储介质，方法包括：通过单点标注方式标注每张训练图像中预设类别身体部位并标记部位类别；利用标注后的训练图像对分类模型进行训练；将获取到的待处理图像输入训练后的分类模型，由分类模型对待处理图像进行分类识别并输出各预设类别身体部位的识别结果。通过使用分类模型来解决图像中的身体部位识别问题，对模型训练数据格式的要求比较简单，即只需简单在图像中的对应身体部位上标注一个点，相对现有技术中标注框方式或全像素标注方式，可以降低标注工作量，缩短前期准备训练数据的标注时间，推动模型的训练和后续应用，并且在图像包含较多身体部位时，点标注方式能够很好提高标注效率。够很好提高标注效率。够很好提高标注效率。

【技术实现步骤摘要】
一种身体部位识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及计算机
，具体涉及一种身体部位识别方法、装置、电子设备及存储介质。

技术介绍

[0002]在计算机视觉领域中，需要大量经过标注处理的训练数据做算法训练支撑，训练数据的数量决定着算法模型的处理精度。
[0003]目前，针对人体的身体部位识别技术主要有两种思路：一种是利用检测模型，需要用标注框对图像中的身体部位进行标注来训练模型；另一种是利用分割模型，需要用全像素语义分割标注图像中的身体部位来训练模型。
[0004]但是，上述两种技术思路，对图像标注的要求都比较高，需要比较准确的对大量图像中的身体部位进行标注，这样每一张图都需要花费很多时间来标注，严重影响了深度学习算法进行研究训练，以及进入实际应用的效率。

技术实现思路

[0005]本专利技术的目的是针对上述现有技术的不足提出的一种身体部位识别方法、装置、电子设备及存储介质，该目的是通过以下技术方案实现的。
[0006]本专利技术的第一方面提出了一种身体部位识别方法，所述方法包括：
[0007]通过单点标注方式，标注每张训练图像中预设类别身体部位并标记部位类别；
[0008]利用标注后的训练图像对分类模型进行训练；
[0009]将获取到的待处理图像输入已训练的分类模型，由所述分类模型对所述待处理图像进行分类识别，并输出各预设类别身体部位的识别结果。
[0010]在本申请的一些实施例中，所述通过点标注方式，标注每张训练图像中预设类别身体部位并标记部位类别，包括：
[0011]收集不同场景下的训练图像；识别每张训练图像包含的预设类别身体部位的位置；在每张训练图像中利用单点标注识别到的各个预设类别身体部位的位置，并标记该点所指示的身体部位类别。
[0012]在本申请的一些实施例中，由所述分类模型对所述待处理图像进行分类识别，并输出各预设类别身体部位的识别结果，包括：
[0013]通过所述分类模型包含的主干卷积网络对所述待处理图像进行处理，以得到图像的特征向量，并将所述特征向量输入至所述分类模型包含的时序注意力模块；通过所述时序注意力模块对所述特征向量的特征关系进行分析，并将分析结果输入至所述分类模型包含的输出层；通过所述输出层基于所述分析结果获得各预设类别身体部位的识别结果。
[0014]在本申请的一些实施例中，所述通过所述分类模型中的主干卷积网络对所述待处理图像进行处理，以得到图像的特征向量，包括：
[0015]通过所述主干卷积网络包含的堆叠式卷积模块提取所述待处理图像的特征图，并
将所述特征图输入至所述主干卷积网络包含的池化层；通过所述池化层对所述特征图进行池化处理并输出至所述主干卷积网络包含的分类层；通过所述分类层对池化处理后的特征图进行分类处理，以得到预设维度的特征向量。
[0016]在本申请的一些实施例中，所述预设维度为分类模型的分类类别数。
[0017]在本申请的一些实施例中，所述通过所述时序注意力模块对所述特征向量的特征关系进行分析，包括：通过长短期记忆LSTM网络对所述特征向量的特征关系进行分析。
[0018]在本申请的一些实施例中，所述通过长短期记忆LSTM网络对所述特征向量的特征关系进行分析，包括：
[0019]通过所述LSTM网络中的遗忘门层根据所述特征向量获得遗忘权重，并利用所述遗忘权重与第一神经元状态进行逐元素乘法运算，得到第二神经元状态；通过所述LSTM网络中的输入门层根据所述特征向量获得输入权重，并利用所述输入权重与所述第二神经元状态进行逐元素加法运算，得到第三神经元状态；通过所述LSTM网络中的输出门层根据所述特征向量获得输出权重，并对所述第三神经元状态进行激活操作后与所述输出权重进行逐元素乘法运算，并将运算结果作为输出。
[0020]在本申请的一些实施例中，所述方法还包括待处理图像的获取过程：
[0021]接收来自客户端的识别请求；根据所述识别请求中携带的图像存储路径读取待处理图像。
[0022]本专利技术的第二方面提出了一种身体部位识别装置，所述装置包括：
[0023]数据标注模块，用于通过单点标注方式，标注每张训练图像中预设类别身体部位并标记部位类别；
[0024]模型训练模块，用于利用标注后的训练图像对分类模型进行训练；
[0025]模型应用模块，用于将获取到的待处理图像输入已训练的分类模型，由所述分类模型对所述待处理图像进行分类识别，并输出各预设类别身体部位的识别结果。
[0026]本专利技术的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
[0027]本专利技术的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
[0028]基于上述第一方面和第二方面所述的身体部位识别方法及装置，本专利技术至少具有如下有益效果或优点：
[0029]本专利技术通过使用深度学习中的分类模型来解决图像中的身体部位识别问题，对模型训练数据格式的要求比较简单，即通过采用单点标注方式，只需简单在图像中的对应身体部位上标注一个点即可，相对现有技术中标注框方式或全像素语义标注方式，这样可以降低标注的工作量，缩短前期准备训练数据的标注时间，进而推动模型的训练和后续应用，并且在图像中包含较多身体部位需要标注时，这种单点标注方式能够很好提高标注效率，加速训练数据的生成。
[0030]进一步地，本专利技术使用分类模型进行身体部位识别，相对于现有技术使用的检测模型或分割模型，模型体积更小，对系统内存、显存资源占用更少，从而模型推理的效率会更高。
附图说明
[0031]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0032]图1A为现有技术中用于训练分割模型的图像标注前后对比示意图；
[0033]图1B为现有技术中用于训练检测模型的图像标注前后对比示意图；
[0034]图2A为本专利技术根据一示例性实施例示出的一种身体部位识别方法的实施例流程图；
[0035]图2B为本专利技术根据图2A所示实施例示出的通过单点标注方式获得的标注后的图像；
[0036]图3A为本专利技术根据一示例性实施例示出的一种分类模型的识别流程示意图；
[0037]图3B为本专利技术示出的一种分类模型的结构示意图；
[0038]图3C为本专利技术示出的一种LSTM网络的结构示意图；
[0039]图4为本专利技术根据一示例性实施例示出的一种身体部位识别装置的结构示意图；
[0040]图5为本专利技术根据一示例性实施例示出的一种电子设备的硬件结构示意图图；
[0041]图6为本专利技术根据一示例性实施例示出的一种存储介质的结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种身体部位识别方法，其特征在于，所述方法包括：通过单点标注方式，标注每张训练图像中预设类别身体部位并标记部位类别；利用标注后的训练图像对分类模型进行训练；将获取到的待处理图像输入训练后的分类模型，由所述分类模型对所述待处理图像进行分类识别，并输出各预设类别身体部位的识别结果。2.根据权利要求1所述的方法，其特征在于，所述通过单点标注方式，标注每张训练图像中的预设类别身体部位并标记部位类别，包括：收集不同场景下的训练图像；识别每张训练图像包含的预设类别身体部位的位置；在每张训练图像中利用单点标注识别到的各个预设类别身体部位的位置，并标记该点所指示的身体部位类别。3.根据权利要求1所述的方法，其特征在于，由所述分类模型对所述待处理图像进行分类识别，并输出各预设类别身体部位的识别结果，包括：通过所述分类模型包含的主干卷积网络对所述待处理图像进行处理，以得到图像的特征向量，并将所述特征向量输入至所述分类模型包含的时序注意力模块；通过所述时序注意力模块对所述特征向量的特征关系进行分析，并将分析结果输入至所述分类模型包含的输出层；通过所述输出层基于所述分析结果获得各预设类别身体部位的识别结果。4.根据权利要求3所述的方法，其特征在于，所述通过所述分类模型中的主干卷积网络对所述待处理图像进行处理，以得到图像的特征向量，包括：通过所述主干卷积网络包含的堆叠式卷积模块提取所述待处理图像的特征图，并将所述特征图输入至所述主干卷积网络包含的池化层；通过所述池化层对所述特征图进行池化处理并输出至所述主干卷积网络包含的分类层；通过所述分类层对池化处理后的特征图进行分类处理，以得到预设维度的特征向量。5.根据权利要求4所述的方法，其特征在于，所述预设维度为分类模型的分类类别数。6.根据权利要求3所述的方法，其特征在于，所述通过...

【专利技术属性】
技术研发人员：靖振宇，
申请(专利权)人：北京新氧科技有限公司，
类型：发明
国别省市：