[发明专利]目标对象关键点检测方法、深度学习神经网络及装置

权利要求书

1.一种目标对象关键点检测方法，其特征在于，所述方法包括：

接收待处理图像的特征图；

在按照分支网络所对应的指定部位的活动自由度的大小，依次对深度学习神经网络中的各关键点检测分支网络进行排列的情况下，将所述特征图提供给对应指定部位的活动自由度最低的关键点检测分支网络，并将前级关键点检测分支网络输出的关键点预测信息与所述特征图一起提供给后级关键点检测分支网络；其中，每个关键点检测分支网络针对其对应的指定部位的关键点进行检测；所述指定部位包括目标对象的头颈部位、躯干部位以及四肢部位；所述各关键点检测分支网络包括：用于预测目标对象头颈部位的关键点的第一关键点检测分支网络；用于预测目标对象躯干部位的关键点的第二关键点检测分支网络；用于预测目标对象四肢部位的关键点的第三关键点检测分支网络；

根据所述各关键点检测分支网络输出的关键点预测信息确定待处理图像的目标对象关键点。

2.根据权利要求1所述的方法，其特征在于，确定所述活动自由度的参数包括：指定部位的活动频率，和/或指定部位的被遮挡的概率。

3.根据权利要求1所述的方法，其特征在于，不同关键点检测分支网络所具有的计算资源不相同。

4.根据权利要求3所述的方法，其特征在于，对应指定部位活动自由度高的关键点检测分支网络所具有的计算资源，高于对应指定部位活动自由度低的关键点检测分支网络所具有的计算资源。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一关键点检测分支网络所具有的计算资源低于第二关键点检测分支网络所具有的计算资源，所述第二关键点检测分支网络所具有的计算资源低于第三关键点检测分支网络所具有的计算资源。

6.根据权利要求1至4中任一项所述的方法，其特征在于：

所述第一关键点检测分支网络包括：至少一个基于卷积层的网络结构单元；

所述第二关键点检测分支网络包括：至少两个基于卷积层的网络结构单元；

所述第三关键点检测分支网络包括：至少三个基于卷积层的网络结构单元；

其中，所述第一关键点检测分支网络所包含的网络结构单元的数量小于第二关键点检测分支网络所包括的网络结构单元的数量，所述第二关键点检测分支网络所包含的网络结构单元的数量小于第三关键点检测分支网络所包括的网络结构单元的数量。

7.根据权利要求1至4中任一所述的方法，其特征在于，所述将前级关键点检测分支网络输出的关键点预测信息与所述特征图一起提供给后级关键点检测分支网络包括：

将前一级关键点检测分支网络输出的关键点预测信息与所述目标对象特征图一起作为后一级关键点检测分支网络的输入；或者

将当前关键点检测分支网络之前的任一级关键点检测分支网络输出的关键点预测信息与所述特征图一起作为当前关键点检测分支网络的输入；或者

将所有前级关键点检测分支网络输出的关键点预测信息与所述目标对象特征图一起被作为后级关键点检测分支网络。

8.根据权利要求1至4中任一所述的方法，其特征在于，所述任一关键点检测分支网络的输出包括：其对应的指定部位的关键点置信度信息。

9.根据权利要求1至4中任一所述的方法，其特征在于，所述方法还包括：

利用每个关键点检测分支网络各自对应的损失函数层，对相应的关键点检测分支网络进行训练。

10.根据权利要求9所述的方法，其特征在于，所述损失函数层包括：L2损失函数层。

11.根据权利要求1至4、10中任一所述的方法，其特征在于，所述方法还包括：

获取待处理图像的目标对象外接框以及目标对象外接框的中心位置；

根据所述目标对象外接框切割出的图像块以及目标对象外接框的中心位置获取所述待处理图像的特征图。