[发明专利]服饰关键点的检测方法和装置、电子设备、存储介质和程序

权利要求书

1.一种服饰关键点的检测方法，其特征在于，包括：

分别通过多组卷积神经网络对图像进行特征提取，获得多组特征；其中，所述多组卷积神经网络中各组卷积神经网络的卷积核大小不同，每组所述卷积神经网络的卷积核由初始卷积核按照对应的扩张因子进行膨胀操作获得，所述多组卷积神经网络的初始卷积核相同，所述多组卷积神经网络对应的扩张因子不同；所述多组卷积神经网络中各组卷积神经网络除了卷积核大小外的其余网络参数相同；

分别获取所述多组特征中各元素的最大值，形成目标特征；

基于所述目标特征对所述图像进行服饰关键点检测；

从所述目标特征中提取所述服饰的全局特征、以及所述服饰的各关键点处的局部特征；

结合所述服饰的全局特征与所述服饰的各关键点处的局部特征进行服饰识别，获得所述服饰的识别结果。

2.根据权利要求1所述的方法，其特征在于，基于所述目标特征对所述图像进行服饰关键点检测，包括：

从所述目标特征提取出所述服饰关注部位的特征；

对所述服饰关注部位的特征进行空间变换；

基于所述服饰关注部位的特征进行服饰关键点检测，得到变换后的关键点坐标；

对所述变换后的关键点坐标进行空间反变换，得到所述服饰的关键点坐标。

3.根据权利要求2所述的方法，其特征在于，对所述目标特征进行空间变换，包括：

对所述目标特征进行至少一次的空间仿射变换。

4.根据权利要求1所述的方法，其特征在于，所述服饰的识别结果包括：所述服饰的分类和细节属性。

5.根据权利要求1所述的方法，其特征在于，还包括：

根据所述服饰的识别结果，检索与所述服饰的款式相同的服饰相关信息。

6.根据权利要求1-5任一所述的方法，其特征在于，所述图像包括第一图像和第二图像；

所述方法还包括：

获得所述第一图像中服饰的关键点坐标和所述第二图像中服饰的关键点坐标之后，基于所述第一图像中服饰的关键点坐标和所述第二图像中服饰的关键点坐标对所述第一图像中服饰和/或所述第二图像中服饰进行变形处理，以使所述第一图像中服饰与所述第二图像中服饰的至少一个关键点匹配；以经过变形处理的第一图像中服饰和所述第二图像中服饰中的其中一个服饰替换另一个服饰。

7.根据权利要求1-5任一所述的方法，其特征在于，还包括：

基于样本图像对实现所述服饰关键点的检测方法的深度神经网络进行训练，所述样本图像包括服饰并标注有服饰的参考关键点坐标。

8.根据权利要求7所述的方法，其特征在于，所述基于样本图像对实现所述服饰关键点检测方法的深度神经网络进行训练，包括：

深度神经网络以所述样本图像作为所述图像，执行所述服饰关键点的检测方法，获得所述样本图像的预测关键点坐标；

基于所述样本图像的预测关键点坐标和参考关键点坐标，采用梯度更新或迭代更新的方式对深度神经网络进行训练。

9.根据权利要求8所述的方法，其特征在于，所述样本图像还标注有所述样本图像与所述样本图像中服饰关注部位之间的尺寸比例，作为参考尺寸比例；

所述基于样本图像对实现所述服饰关键点检测方法的深度神经网络进行训练，还包括：在执行所述服饰关键点的检测方法的过程中，获得所述样本图像中服饰关注部位的特征后，计算所述样本图像与所述样本图像中服饰关注部位的特征之间的尺寸比例，作为预测尺寸比例；

基于所述样本图像的预测关键点坐标和参考关键点坐标，采用梯度更新或迭代更新的方式对深度神经网络进行训练，包括：基于所述样本图像的预测关键点坐标和参考关键点坐标、以及所述预测尺寸比例与所述参考尺寸比例，采用梯度更新或迭代更新的方式对所述深度神经网络进行训练。