用于定位服饰关键点的方法、装置和叠衣机制造方法及图纸

本申请涉及图像处理服饰检测技术领域，公开一种用于定位服饰关键点的方法。该方法包括：预处理服饰图像，获得待识别图像，利用神经网络识别待识别图像，获得服饰中关键点的坐标，其中，神经网络在训练过程中学习不同关键点之间的相互关系。该方法可提高神经网络定位服饰关键点的准确率。本申请还公开一种用于定位服饰关键点的装置和叠衣机。位服饰关键点的装置和叠衣机。位服饰关键点的装置和叠衣机。

【技术实现步骤摘要】
用于定位服饰关键点的方法、装置和叠衣机


[0001]本申请涉及图像处理的服饰检测
，例如涉及用于定位服饰关键点的方法、装置和叠衣机。

技术介绍

[0002]目前，时尚服装行业价值巨大，提升线上服饰属性标签可靠性，引入符合机器学习和行业专业要求的服饰属性知识体系，是提升运营效率和构建时尚产品功能的关键。机器分析服饰容易受到尺度和形变的影响，比如拍摄的距离角度、服饰摆放方式、模特姿势等等。借助服饰的关键点定位技术，可以帮助克服上述影响，例如在训练好的神经网络中，输入一张服饰图片，即可输出服饰关键点坐标，在拍摄的距离角度不同、服饰摆放方式不同或模特姿势不同时，对服饰关键点处的特征进行识别，可提高机器分析服饰的准确度。
[0003]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：服饰关键点定位技术的定位准确率低。

技术实现思路

[0004]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0005]本公开实施例提供了一种用于定位服饰关键点的方法、装置和叠衣机，以解服饰关键点定位技术的定位准确率低的技术问题。
[0006]在一些实施例中，用于定位服饰关键点的方法包括：
[0007]预处理服饰图像，获得待识别图像；
[0008]利用神经网络识别所述待识别图像，获得服饰中关键点的坐标；
[0009]其中，所述神经网络在训练过程中学习不同所述关键点之间的相互关系。
[0010]在一些实施例中，用于定位服饰关键点的法律处包括：理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行前述实施例提供的用于定位服饰关键点的方法。
[0011]在一些实施例中，所述叠衣机包括前述实施例提供的用于定位服饰关键点的装置。
[0012]本公开实施例提供的用于定位服饰关键点的方法、装置和叠衣机，可以实现以下技术效果：
[0013]在用于定位关键点的神经网络的训练过程中，学习服饰的不同关键点之间的相互关系，不同关键点可彼此约束，神经网络在训练过程中可学习更多的对服饰关键点的约束条件，以此训练出来的神经网络，即可更加准确地定位服饰关键点。
[0014]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0015]一个或一个以上实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0016]图1是本公开实施例提供的用于定位服饰关键点的方法流程示意图；
[0017]图2是本实施例提供的获得服饰中关键点坐标的流程示意图；
[0018]图3是本公开实施例提供的特征提取网络和分割网络的示意图；
[0019]图4是本公开实施例提供的用于定位服饰关键点的装置。
具体实施方式
[0020]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0021]在常规训练神经网络的过程中，往往是利用神经网络的输入参数和输出参数训练该神经网络，训练神经网络的过程，是一个调节神经网络内部参数的过程，在该神经网络训练达标后，神经网络内部参数反映的是神经网络输入参数和输出参数之间的关系。例如，现有技术中训练用于定位服饰关键点的神经网络时，训练集中的输入量为带有关键点坐标标记的服饰图像，训练集中的输出量为关键点坐标，计算输出的关键点坐标与标记的关键点坐标之间的误差，若超过一设定误差值，则调整神经网络内部参数，进行下一次的训练，直至神经网络输出的关键点坐标与标记的关键点坐标之间的误差小于等于设定值，可见，该神经网络内部参数反映的是服饰图像与服饰关键点坐标之间的对应关系。在本公开实施例中，虽然神经网络的输入量同为服饰图像，输出量同为关键点坐标，但是，本公开实施例中的神经网络在学习过程中，还学习不同关键点坐标之间的相互关系，即，实时上，本公开实施例中的神经网络内部参数不仅反映服饰图像与关键点坐标之间的对应关系，还反映服饰图像和不同关键点坐标之间相互关系的对应关系。
[0022]图1是本公开实施例提供的用于定位服饰关键点的方法流程示意图。
[0023]在该实施例中，用于定位服饰关键点的方法，包括：
[0024]步骤S101、预处理服饰图像，获得待识别图像。其中，预处理服饰图像，包括对服饰图像数据进行数据增强、数据扩增等工作。
[0025]步骤S102、利用神经网络识别待识别图像，获得服饰中关键点的坐标。其中，神经网络在训练过程中学习不同关键点之间的相互关系，即，神经网络内部参数还受服饰图像与不同关键点之间相互关系的对应关系的约束。
[0026]在用于定位关键点的神经网络的训练过程中，学习服饰的不同关键点之间的相互关系，不同关键点可彼此约束，神经网络在训练过程中可学习更多的对服饰关键点的约束条件，以此训练出来的神经网络，即可更加准确地定位服饰关键点。在获得准确的服饰关键点后，即可对服饰关键点处的特征进行针对性的分析，提高了机器分析服饰的准确度。
[0027]在训练该神经网络时，可对服饰图像进行标注，得到标注后的服饰图像，之后再预
处理该标注后的服饰图像，获得多个待识别图像。随机划分该多个待识别图像，获得训练集和验证集，利用训练集训练神经网络，并用验证集验证神经网络。
[0028]在对服饰图像进行标注时，可首先对服饰图像进行分类，例如按照上衣、裤子、裙子将服饰图像分为三大类，每一类服饰图像中均对应一套独立的关键点，分别对不同类别的服饰图像进行独立的标注，获得三大类标注后的服饰处理图像。可选地，上衣类别的服饰图像中包括14个关键点；可选地，裤子类别的服饰图像中包括7个关键点；裙子类别的服饰图像中包括4个关键点。可选地，服饰的关键点如表1所示：
[0029]表1不同服饰所含关键点信息
[0030][0031][0032]上述标签体系符合认知过程，满足机器学习要求的标签知识体系。
[0033]在利用训练集训练神经网络的时，首先告知神经网络目前训练的服饰类别，例如上衣类别的服饰图像、裤子类别的服饰图像或裙子类别的服饰图像。神经网络所输出的关键点，符合该类别服饰图像的标签体系。
[0034]可选地，在训练过程中，预处理服饰图像，包括多尺度变换、随机翻转、随机角度旋转、归一化等，可丰富数据集，提升模型的泛化能力和鲁棒性。
[0035]图2是本实施例提供的获得服饰中关键点坐标的流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于定位服饰关键点的方法，其特征在于，包括：预处理服饰图像，获得待识别图像；利用神经网络识别所述待识别图像，获得服饰中关键点的坐标；其中，所述神经网络在训练过程中学习不同关键点之间的相互关系。2.根据权利要求1所述的方法，其特征在于，所述利用神经网络识别所述待识别图像，获取服饰中关键点的坐标，包括：提取所述待识别图像中的特征图像；将所述特征图像采样至所述待识别图像的分辨率；基于所述特征图像对应的关键点，生成热点图；在所述热点图中选择出与服饰类型相对应的关键点坐标。3.根据权利要求2所述的方法，其特征在于，所述提取所述待识别图像中的特征图像，包括：通过包括空洞卷积形式的卷积层提取所述待识别图像中的特征图像。4.根据权利要求1至3中任意一项所述的方法，其特征在于，不同所述关键点之间的相互关系为不同所述关键点之间的局部关联系数。5.根据权利要求4所述的方法，其特征在于，不同所述关键点之间的局部关联系数通过以下方式获取：以下方式获取：其中，PAF0(m,n)和PAF1(m,n)为不同所述关键点之间的局部关系系数，(m,n)为不同所述关键点之间的局部关系系数，stride为卷...

【专利技术属性】
技术研发人员：惠海峰，苏明月，姜大鹏，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：