[发明专利]一种基于骨骼化的人像检索方法及装置

权利要求书

1.一种基于骨骼化的人像检索方法，其特征在于，所述方法包括：

获得待检测信息；对所述待检测信息进行行人检测，得到待检测信息中的行人位置；

对待检测信息中的行人位置进行骨骼化处理，得到行人的骨架图像；并对所述骨架图像进行图像分割，得到所述行人的骨架特征；对所述行人的骨架特征进行分解，得到所述行人各预设肢体类型的肢体信息；

获得各预设肢体类型对应的预设肢体网络模型，针对所述行人的每一预设肢体类型的肢体信息，将该预设肢体类型的肢体信息输入至该预设肢体类型对应的预设肢体网络模型，得到针对所述行人该预设肢体类型的各预设属性的识别结果和识别结果的识别概率；

将所有预设肢体类型各预设属性的识别结果中识别概率大于预设阈值的识别结果作为针对所述行人的检索结果。

2.根据权利要求1所述的方法，其特征在于，所述待检测信息为静态图像、动态图像和视频中的一种。

3.根据权利要求2所述的方法，其特征在于，当所述待检测信息为视频时，对所述待检测信息进行行人检测，得到待检测信息中的行人位置，包括：

利用预设的行人检测算法，从视频中检测出包含行人的各目标图像帧，并对各目标图像帧中的行人进行定位，得到各目标图像帧中的行人位置，作为待检测信息中的行人位置。

4.根据权利要求1所述的方法，其特征在于，所述预设肢体类型包括头、躯干、手臂、手、大腿和脚，每一预设肢体类型的各预设属性包括纹理、颜色和装饰中的至少一种。

5.根据权利要求1所述的方法，其特征在于，每一预设肢体网络模型均为目标神经网络模型，获得各预设肢体类型对应的预设肢体网络模型，包括：

用各预设肢体类型对应的预设训练样本集训练预设的初始神经网络模型，得到各预设肢体类型对应的目标神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述初始神经网络模型为LSTM时间递归神经网络模型。

7.根据权利要求1-6任一所述的方法，其特征在于，当检索结果有多个时，所述方法还包括：

按照各检索结果的识别概率的大小，对各检索结果进行升序/降序排列。

8.根据权利要求7所述的方法，其特征在于，当所述待检测信息为视频时，所述方法还包括：

在对各检索结果进行升序/降序排列后，显示各检索结果以及各检索结果所针对的行人在视频中所处图像帧的帧号。

9.一种基于骨骼化的人像检索装置，其特征在于，所述装置包括：

第一获得模块，用于获得待检测信息；对所述待检测信息进行行人检测，得到待检测信息中的行人位置；

骨骼化处理模块，用于对待检测信息中的行人位置进行骨骼化处理，得到行人的骨架图像；并对骨架图像进行图像分割，得到行人的骨架特征；对行人的骨架特征进行分解，得到所述行人各预设肢体类型的肢体信息；

识别模块，用于获得各预设肢体类型对应的预设肢体网络模型，针对所述行人的每一预设肢体类型的肢体信息，将该预设肢体类型的肢体信息输入至该预设肢体类型对应的预设肢体网络模型，得到针对所述行人该预设肢体类型的各预设属性的识别结果和识别结果的识别概率；

第二获得模块，用于将所有预设肢体类型各预设属性的识别结果中识别概率大于预设阈值的识别结果作为针对所述行人的检索结果。

10.根据权利要求9所述的装置，其特征在于，所述待检测信息为静态图像、动态图像和视频中的一种。