[发明专利]图像处理方法、装置、存储介质、计算机程序和电子设备

说明书

本发明实施例提供了一种图像处理方法、装置、存储介质、计算机程序和电子设备，其中，所述图像处理方法包括：获取待检测图像的特征图；通过神经网络基于至少二种不同尺度对所述特征图进行特征提取，获得至少二个其他特征图；合并所述特征图和各所述其他特征图，得到所述待检测图像的第一特征图。采用本发明实施例的技术方案，可以利用神经网络学习和提取不同尺度的特征，提高特征提取的准确性和鲁棒性。

技术领域

本发明实施例涉及计算机视觉技术领域，尤其涉及一种图像处理方法、装置、存储介质、计算机程序和电子设备。

背景技术

人体姿态估计主要是对给定图像或视频中人体身体各部分的位置进行定位，是计算机视觉领域的一个重要的研究课题，主要应用在动作识别、行为识别、服装解析、任务对比、人机交互等方面。

目前，人体姿态估计方法依赖于目标检测器所检测的特征，现有的目标检测器一般是在固定尺度上进行训练得到的。

发明内容

本发明实施例提供了一种图像处理方案。

根据本发明实施例的第一方面，提供了一种图像处理方法，包括：获取待检测图像的特征图；通过神经网络基于至少二种不同尺度对所述特征图进行特征提取，获得至少二个其他特征图；合并所述特征图和各所述其他特征图，得到所述待检测图像的第一特征图。

可选地，还包括：根据所述第一特征图对所述待检测图像中的目标对象进行关键点检测。

可选地，所述根据所述第一特征图对所述目标对象进行关键点检测，包括：根据所述第一特征图分别获取所述目标对象的至少一关键点的得分图；根据各所述得分图中所包括的像素点的分数，确定所述目标对象的相应关键点的位置。

可选地，所述神经网络包括至少一个特征金字塔子网络，所述特征金字塔子网络包括第一分支网络以及分别与所述第一分支网络并联的至少一个第二分支网络；所述其他特征图包括第二特征图或第三特征图；所述第一分支网络基于所述特征图的原始尺度对所述特征图进行特征提取，获得所述第二特征图；各所述第二分支网络分别基于不同于所述原始尺度的其他尺度对所述特征图进行特征提取，获得所述第三特征图。

可选地，所述第一分支网络包括第二卷积层、第三卷积层和第四卷积层；所述第二卷积层降低所述特征图的维度；所述第三卷积层基于所述特征图的原始尺度对降低维度后的特征图进行卷积处理；所述第四卷积层提升经过卷积处理的特征图的维度，获得所述第二特征图。

可选地，至少一所述第二分支网络包括第五卷积层、降采样层、第六卷积层、上采样层和第七卷积层；所述第五卷积层降低所述特征图的维度；所述降采样层根据设定降采样比例对降低维度后的特征图进行降采样，其中，经过降采样后的特征图的尺度小于所述特征图的原始尺度；所述第六卷积层对所述经过降采样的特征图进行卷积处理；所述上采样层根据设定上采样比例，对经过卷积的特征图进行上采样，其中，经过上采样后的特征图的尺度等于所述特征图的原始尺度；所述第七卷积层提升经过上采样后的特征图的维度，获得所述第三特征图。

可选地，所述第二分支网络有多个；至少二个所述第二分支网络的设定降采样比例不同，和/或，至少二个所述第二分支网络的设定降采样比例相同。

可选地，所述第二分支网络有多个；至少二个所述第二分支网络的所述第六卷积层共享参数。

可选地，所述第二分支网络包括第五卷积层、膨胀卷积层和第七卷积层；所述第五卷积层降低所述特征图的维度；所述膨胀卷积层对降低维度后的所述特征图进行膨胀卷积处理，所述第七卷积层提升经过膨胀卷积后的特征图的维度，获得所述第三特征图。

可选地，所述第二分支网络有多个；至少二个所述第二分支网络共享所述第五卷积层和/或所述第七卷积层；和/或，至少二个所述第二分支网络具有各自的所述第五卷积层和/或所述第七卷积层。