姿勢檢測方法、裝置及伺服器與流程
2024-03-29 08:12:05
本發明涉及計算機視覺技術領域，具體而言，涉及一種姿勢檢測方法、裝置及伺服器。
背景技術：
人體姿勢檢測是計算機視覺領域的重要組成部分。人體姿勢檢測具有很高的社會應用價值。例如，人體姿勢估計結合健身軟體，對人們的健身動作進行打分和修正，讓人們在家中就能夠享受到健身教練的待遇；可以根據人體姿勢估計提取出病人骨架線，對後續的醫療診治起到輔助性作用。姿勢骨架線可用於識別人體姿勢。利用姿勢骨架線進行人體姿勢檢測得到的結果更加精確，且不易暴露隱私。
但即使發展了這麼多年，人體姿勢檢測依然是計算機視覺方面的一個難題。進行人體則是檢測需要極高的硬體條件：在gpu方面，大多數採用多張顯卡，每張顯卡的型號不亞於nvidiateslak80；在cpu方面，多數採用coretmi5，以這樣的條件做到生活普遍應用是很困難的，影響其推廣使用。
技術實現要素：
為了解決上述問題，本發明實施例採用的技術方案如下：
本發明實施例提供的一種姿勢檢測方法，所述方法包括：對獲取的圖像數據進行檢測；當檢測到所述圖像數據中出現人物圖像數據時，從所述圖像數據中分割出所述人物圖像數據；獲取所述人物圖像數據中的各個關節點的特徵信息；根據所述關節點的特徵信息，建立每一類關節點對應的置信圖；根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的位置信息；根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖，其中，每一段所述肢體均包括兩個屬於不同類別且相鄰的關節點；根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度；依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。
本發明實施例還提供的一種姿勢檢測裝置，所述裝置包括：檢測模塊、關節點檢測模塊、第一建立模塊、定位模塊、第二建立模塊、計算模塊及生成模塊。其中，檢測模塊，用於對獲取的圖像數據進行檢測；及還用於當檢測到所述圖像數據中出現人物圖像數據時，從所述圖像數據中分割出所述人物圖像數據；關節點檢測模塊，用於獲取所述人物圖像數據中的各個關節點的特徵信息；第一建立模塊，用於根據所述關節點的特徵信息，建立每一類關節點對應的置信圖；定位模塊，用於根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的位置信息；第二建立模塊，用於根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖，其中，每一段所述肢體均包括兩個屬於不同類別且相鄰的關節點；計算模塊，用於根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度；生成模塊，用於依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。
本發明實施例還提供一種伺服器，所述伺服器包括：存儲器；處理器；以及姿勢檢測裝置，所述姿勢檢測裝置安裝於所述第一存儲器中並包括一個或多個由所述第一處理器執行的軟體功能模組，所述姿勢檢測裝置包括：檢測模塊、關節點檢測模塊、第一建立模塊、定位模塊、第二建立模塊、計算模塊及生成模塊。其中，檢測模塊，用於對獲取的圖像數據進行檢測；及還用於當檢測到所述圖像數據中出現人物圖像數據時，從所述圖像數據中分割出所述人物圖像數據；關節點檢測模塊，用於獲取所述人物圖像數據中的各個關節點的特徵信息；第一建立模塊，用於根據所述關節點的特徵信息，建立每一類關節點對應的置信圖；定位模塊，用於根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的位置信息；第二建立模塊，用於根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖，其中，每一段所述肢體均包括兩個屬於不同類別且相鄰的關節點；計算模塊，用於根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度；生成模塊，用於依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。
與現有技術相比，本發明提供的一種姿勢檢測方法、裝置及伺服器。其中，所述方法包括從所述圖像數據中分割出所述人物圖像數據；獲取所述人物圖像數據中的各個關節點的特徵信息；根據所述關節點的特徵信息，建立每一類關節點對應的置信圖；根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的位置信息；根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖；根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度；依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。降低後續計算的複雜性，也降低了對硬體設備的要求，速度快，精度高。
為使本發明的上述目的、特徵和優點能更明顯易懂，下文特舉較佳實施例，並配合所附附圖，作詳細說明如下。
附圖說明
為了更清楚地說明本發明實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發明的某些實施例，因此不應被看作是對範圍的限定，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他相關的附圖。
圖1為本發明較佳實施例提供的伺服器的方框示意圖。
圖2示出了本發明實施例提供的姿勢檢測方法流程圖。
圖3為圖2中步驟s106的子步驟流程圖。
圖4為圖2中步驟s108的子步驟流程圖。
圖5為肢體區域示例圖。
圖6示出了本發明實施例提供的姿勢檢測裝置的示意圖。
圖標：100-伺服器；111-存儲器；112-處理器；113-通信單元；200-姿勢檢測裝置；201-獲取模塊；202-處理模塊；203-檢測模塊；204-關節點檢測模塊；205-第一建立模塊；206-定位模塊；207-第二建立模塊；208-計算模塊；209-生成模塊。
具體實施方式
下面將結合本發明實施例中附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發明實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本發明的實施例的詳細描述並非旨在限制要求保護的本發明的範圍，而是僅僅表示本發明的選定實施例。基於本發明的實施例，本領域技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨後的附圖中不需要對其進行進一步定義和解釋。同時，在本發明的描述中，術語「第一」、「第二」等僅用於區分描述，而不能理解為指示或暗示相對重要性。
請參照圖1，是伺服器100的方框示意圖。所述伺服器100包括姿勢檢測裝置200、存儲器111、處理器112及通信單元113。
所述存儲器111、處理器112以及通信單元113各元件相互之間直接或間接地電性連接，以實現數據的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現電性連接。所述姿勢檢測裝置200包括至少一個可以軟體或固件(firmware)的形式存儲於所述存儲器111中或固化在所述伺服器100的作業系統(operatingsystem，os)中的軟體功能模塊。所述處理器112用於執行所述存儲器111中存儲的可執行模塊，例如所述姿勢檢測裝置200所包括的軟體功能模塊及電腦程式等。
其中，所述存儲器111可以是，但不限於，隨機存取存儲器(randomaccessmemory，ram)，只讀存儲器(readonlymemory，rom)，可編程只讀存儲器(programmableread-onlymemory，prom)，可擦除只讀存儲器(erasableprogrammableread-onlymemory，eprom)，電可擦除只讀存儲器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存儲器111用於存儲程序或者數據。所述通信單元113用於通過所述網絡建立所述伺服器100與其它通信終端之間的通信連接，並用於通過所述網絡收發數據。
應當理解的是，圖1所示的結構僅為伺服器100的結構示意圖，所述伺服器100還可包括比圖1中所示更多或者更少的組件，或者具有與圖1所示不同的配置。圖1中所示的各組件可以採用硬體、軟體或其組合實現。
第一實施例
請參考圖2，圖2為本發明較佳實施例提供的一種姿勢檢測方法的流程圖。姿勢檢測方法包括以下步驟：
步驟s101，獲取rgb初始圖像。
在本實施例中，rgb初始圖像可以通過通信單元113接收與伺服器100通信連接的終端發送的rgb初始圖像。所述終端可以是圖像採集設備(例如，攝像頭、手機)，也可以是可存儲圖像的電子設備。在本實施例中，終端為攝像頭，伺服器100可以從攝像頭拍攝視頻中獲取一幀rgb初始圖像。
步驟s102，對所述rgb初始圖像進行歸一化處理，生成特定類型的圖像數據。
在本實施例中，可以通過計算rgb初始圖像上所有像素均值，然後求得rgb初始圖像像素的標準差。對rgb初始圖像上的像素進行減去均值除以標準差的操作，將像素值歸一化到[-1,1]區間上。以形成特定類型的圖像數據。特定類型的圖像數據是指便於提取特徵點類型的圖像數據，以特定類型的圖像數據作為模型訓練集數據。特定類型的圖像數據可以是lmdb格式的圖像數據，但不限於此。
步驟s103，對獲取的圖像數據進行檢測。
在本實施例中，利用卷積神經網絡檢測所述獲取的圖像數據，檢測獲取的圖像數據中是否存在人物。當所述圖像數據中出現人物圖像數據時，流程進入步驟s104；當所述圖像數據中未出現人物圖像數據時，流程回到步驟s101，從視頻中重新獲取一幀rgb初始圖像。
步驟s104，從所述圖像數據中分割出所述人物圖像數據。
在本實施例中，當圖像數據中是否存在人物時，圖像數據包括人物圖像數據及背景圖像數據。通過卷積神經網絡，將人物圖像數據從圖像數據中分割出來，即將人物圖像數據與背景圖像數據分離。
步驟s105，獲取所述人物圖像數據中的各個關節點的特徵信息。
在本實施例中，關節點為預先定義的需要從人物圖像數據中提取的部位，例如，關節點的類別可以定義為鼻，左耳、右耳，左眼、右眼，頸，左肩、右肩，左肘、右肘，左腕、右腕，左胯、右胯，左膝、右膝，左踝、右踝。將分割出來的人物圖像數據輸入卷積神經網絡，獲取人物圖像數據中的各個關節點的特徵信息。關節點的特徵信息可以是提取到的屬於對應關節點的特徵點的位置信息。例如，特徵點在人物圖像數據中的坐標值。需要說明的是，人物圖像數據中出現多少個人，則從獲得的屬於同一類的關節點的數量最多為出現人的個數。例如，人物圖像數據中出現5個人，則最多可從人物圖像數據中獲取的5個鼻子，5個左耳等。
步驟s106，根據所述關節點的特徵信息，建立每一類關節點對應的置信圖。
在本實施例中，置信圖可以是關節點置信圖。每一類關節點對應一置信圖，是以每一類關節點為中心的高斯分布圖。越靠近關節點的部分數值越大。例如，左肩對應左肩置信圖。如圖3所示，步驟s106包括以下子步驟：
子步驟s1061，根據所述關節點的特徵信息中的特徵點位置信息，利用公式：
生成每一個所述關節點對應的高斯分布圖。其中，si為提取到的特徵信息所對應的關節點對應的高斯分布圖。p為以關節點對應的特徵點為中心，預設值距離為半徑內的圓範圍內的點。xi為關節點對應的特徵點位置信息。
子步驟s1062，根據所述關節點對應的高斯分布圖，建立每一類所述關節點對應的置信圖。
在本實施例中，分別根據屬於同一類的關節點對應的高斯分布圖，利用公式：
建立每一類所述關節點對應的置信圖。其中，s*(p)為一類關節點對於的置信圖。si代表這一類關節點中第i個關節點的高斯分布圖，n代表從人物圖像數據中檢測出的屬於這一類關節點的總個數。代表求取n個同類關節點高斯分布圖的最大值。例如，從人物圖像數據中檢測出五個人的鼻子，則依次將獲得的五個人的鼻子對應的高斯分布圖進行最大值求取，獲得鼻子這一類關節點的置信圖。每一類關節點對應一張置信圖。
步驟s107，根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的準確的位置信息。
本實施例中，根據待定位的關節點所對應的置信圖，結合對比關節點的特徵信息，依次獲取待定位的關節點的位置信息。特徵點的位置信息僅為對應的關節點的大概位置。未獲取到準確的位置信息的關節點為待定位關節點。因此，需要依次對人物圖像數據中的每一個關節點進行定位，確保精準度。具體地，通過與待定位的關節點屬於不同類的對比關節點之間的間接關係對待定位的關節點進行定位，以獲取準確的位置信息。
需要說明的是，對比關節點選擇臨近所述待定位的關節點且與待定位的關節點屬於同一肢體的關節點。肢體的兩端為兩個屬於不同類的關節點。例如，肢體為左手臂時，肢體則是由左手肘和左手腕連接而成，當待定位的關節點是左手肘，則對比關節點可選擇左手腕。根據待定位的關節點的特徵信息、待定位的關節點所屬類別對應的置信圖及對比關節點的特徵信息，利用公式：
vk,j(p)＝s*(p)||uj-xi||，
獲得待定位的關節點相對於與對比關節點構成的肢體的位置向量，vk,j(p)代表待定位的關節點相對於與對比關節點j所構成的肢體k的位置向量。s*(p)為待定位的關節點所屬的關節點類別對應的置信圖，uj為對比關節點j的特徵信息中的特徵點位置信息，xi為待定位的關節點i的特徵信息中的特徵點位置信息。再獲取位置向量的最大值，即為待定位的關節點的精確位置信息。
步驟s108，根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖，其中，每一段所述肢體均包括兩個屬於不同類別且相鄰的關節點。
在本實施例中，肢體由兩個屬於不同類且臨近的關節點連接構成。肢體信息包括肢體的線段的位置信息。如圖4所示，步驟s108包括以下子步驟：
子步驟s1081，獲取每一段肢體的法向量。
在本實施例中，根據每一段肢體的肢體線段找出肢體的法向量方向，以預設寬度法向量的模。
子步驟s1082，根據每一段所述肢體的線段為中線，沿對應的所述法向量方向，根據預設寬度劃分為肢體區域。
在本實施例中，將每段肢體的線段為中線，把沿著中線將對應法向量正方向及反方向劃分肢體區域，即以中線為中心，兩倍法向量的模的內的範圍，如圖5所示，法向量為a，法向量反方向的向量為-a，陰影區域為肢體區域。
子步驟s1083，在所述肢體區域設置非零向量。
在本實施例中，將肢體區域中每一個點設置非零向量。其中，非零向量的方向為肢體包括的兩個關節點之間的方向。具體地，預先定義肢體中的一個關節點與肢體對應。則肢體對應的非零向量的方向為從肢體對應的關節點朝向肢體的另一個關節點的方向。例如，左手臂包括左手肘和左手腕兩個關節，預先定義了左手肘對應左手臂，則設置的左手臂的肢體區域非零向量的方向為左手肘向左手腕的方向。並將肢體區域以外的區域設置為零向量。需要說明的是，肢體是由兩個臨近且屬於不同類的關節點連接構成的，所述有多少類關節點有多少個肢體。因此，可以預先定義肢體中一個關節點與肢體對應。
子步驟s1084，根據同類肢體對應的肢體區域的非零向量，生成每一類肢體的親密區域特徵圖。
在本實施例中，分別根據人物圖像數據中每一類肢體中的每一段肢體的肢體區域對應的非零向量求取平均值獲得這一類肢體的親密區域特徵圖。這樣能夠達到了讓某個關節點與兩段肢體都相關的關係，使得關節點檢測精度高。如果存在兩段肢體交疊部分，那麼求取平均值就相當於計算這兩段肢體法向量的和向量，再除以2，再加上向量信息取最大值，就得到重疊部分的點與兩段肢體都相關的關係。進而，得到關於這一類肢體的親密關係領域特徵圖。每個關節點與自己臨近的一個關節點構，構成一個肢體，本實施例中，定義了19類關節點，則總共有19類肢體，肢體可以看作是一個向量，用[x,y]表示。每段肢體都不僅僅是一條直線，而是一段區域，並且，在這段區域內點的值是非零向量，向量值為肢體方向的單位向量，而這段區域外的點值為零向量。然後構成的一個二分特徵圖，網絡最後輸出的就是這個二分特徵圖。因為有19個關節點，每個關節點單獨預測一段肢體，每段肢體都由二維向量表示，所以輸出是一個19×2個通道的特徵圖組。
步驟s109，根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度。
在本實施例中，根據被計算的兩個關節點構成的一段肢體所屬類別的親密區域特徵圖，獲取對應肢體的非零向量。位置信息包括被計算的兩個關節點的位置信息。根據獲取的對應的肢體的非零向量及位置信息，利用插值積分算法，計算兩個所述關節點之間的所述親密度。具體地，在兩個關節點之間每一個插入位置點與對應的肢體的非零向量計算內積，然後積分。在具體的運算中採用等間距取點求和來代替積分運算，最後得到一個積分數值，這個積分數值則為被計算的兩個關節點之間的親密度。
步驟s110，依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。
在本實施例中，當兩個所述關節點之間的親密度大於預設親密度閾值時，說明這兩個關節點組成的肢體就被預測為真實存在，則將兩個所述關節點連接，以生成所述人物圖像數據中人物的姿勢骨架線。如果兩個所述關節點之間的親密度小於預設親密度閾值，就被判別為錯誤預測，也就是所謂的誤檢。這樣就避免了，當人物圖像數據中出現多個人是，將第一人的左手肘與第二人的左手腕誤判為一條左手臂。
在本實施例中，步驟s110之後還包括將關節點及姿勢骨架線通過開發軟體繪製在rgb初始圖像上，進行顯示的步驟。
第二實施例
請參照圖6，圖6為本發明實施例提供的姿勢檢測裝置200的功能模塊示意圖。所述姿勢檢測裝置200包括：獲取模塊201、處理模塊202、檢測模塊203、關節點檢測模塊204、第一建立模塊205、定位模塊206、第二建立模塊207、計算模塊208及生成模塊209。
獲取模塊201，用於獲取rgb初始圖像。
在本發明實施例中，所述步驟s101可以由獲取模塊201執行。
處理模塊202，用於對所述rgb初始圖像進行歸一化處理，生成特定類型的圖像數據。
在本發明實施例中，所述步驟s102可以由處理模塊202執行。
檢測模塊203，用於對獲取的圖像數據進行檢測；及還用於當檢測到所述圖像數據中出現人物圖像數據時，從所述圖像數據中分割出所述人物圖像數據。
在本發明實施例中，所述步驟s103及步驟s104可以由檢測模塊203執行。
關節點檢測模塊204，用於獲取所述人物圖像數據中的各個關節點的特徵信息。
在本發明實施例中，所述步驟s105可以由關節點檢測模塊204執行。
第一建立模塊205，用於根據所述關節點的特徵信息，建立每一類關節點對應的置信圖。
在本發明實施例中，所述步驟s106可以由第一建立模塊205執行。具體地，第一建立模塊205執行步驟s106的方式為：根據所述關節點的特徵信息中的特徵點位置信息，利用公式：
生成每一個所述關節點對應的高斯分布圖。其中，si為提取到的特徵信息所對應的關節點對應的高斯分布圖。p為以關節點對應的特徵點為中心，預設值距離為半徑內的圓範圍內的點。xi為關節點對應的特徵點位置信息。根據所述關節點對應的高斯分布圖，建立每一類所述關節點對應的置信圖。分別根據屬於同一類的關節點對應的高斯分布圖，利用公式：
建立每一類所述關節點對應的置信圖。其中，s*(p)為一類關節點對於的置信圖。si代表這一類關節點中第i個關節點的高斯分布圖，n代表從人物圖像數據中檢測出的屬於這一類關節點的總個數。代表求取n個同類關節點高斯分布圖的最大值。例如，從人物圖像數據中檢測出五個人的鼻子，則依次將獲得的五個人的鼻子對應的高斯分布圖進行最大值求取，獲得鼻子這一類關節點的置信圖。每一類關節點對應一張置信圖。
定位模塊206，用於根據所述關節點及所述關節點對應的置信圖，依次獲取每個待定位的關節點的準確的位置信息。
在本發明實施例中，所述步驟s107可以由定位模塊206執行。定位模塊206執行步驟s107的方式為根據待定位的關節點所對應的置信圖，結合對比關節點的特徵信息，依次獲取待定位的關節點的位置信息，其中，所述待定位的關節點與所述對比關節點為同一個肢體且屬於不同類別的關節點。
第二建立模塊207，用於根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖，其中，每一段所述肢體均包括兩個屬於不同類別且相鄰的關節點。
在本發明實施例中，所述步驟s108可以由第二建立模塊207執行。具體地，第二建立模塊207執行步驟s108的方式為：獲取每一段肢體的法向量。根據每一段肢體的肢體線段找出肢體的法向量方向，以預設寬度法向量的模。根據每一段所述肢體的線段為中線，沿對應的所述法向量方向，根據預設寬度劃分為肢體區域。將每段肢體的線段為中線，把沿著中線將對應法向量正方向及反方向劃分肢體區域，即以中線為中心，兩倍法向量的模的內的範圍。在所述肢體區域設置非零向量。將肢體區域中每一個點設置非零向量。其中，非零向量的方向為肢體包括的兩個關節點之間的方向。具體地，預先定義肢體中的一個關節點與肢體對應。則肢體對應的非零向量的方向為從肢體對應的關節點朝向肢體的另一個關節點的方向。例如，左手臂包括左手肘和左手腕兩個關節，預先定義了左手肘對應左手臂，則設置的左手臂的肢體區域非零向量的方向為左手肘向左手腕的方向。並將肢體區域以外的區域設置為零向量。需要說明的是，肢體是由兩個臨近且屬於不同類的關節點連接構成的，所述有多少類關節點有多少個肢體。因此，可以預先定義肢體中一個關節點與肢體對應。根據同類肢體對應的肢體區域的非零向量，生成每一類肢體的親密區域特徵圖。分別根據人物圖像數據中每一類肢體中的每一段肢體的肢體區域對應的非零向量求取平均值獲得這一類肢體的親密區域特徵圖。如果存在兩段肢體交疊部分，那麼求取平均值就相當於計算這兩段肢體法向量的和向量，再除以2，再加上向量信息取最大值，就得到重疊部分的點與兩段肢體都相關的關係。進而，得到關於這一類肢體的親密關係領域特徵圖。每個關節點與自己臨近的一個關節點構，構成一個肢體，本實施例中，定義了19類關節點，則總共有19類肢體，肢體可以看作是一個向量，用[x,y]表示。每段肢體都不僅僅是一條直線，而是一段區域，並且，在這段區域內點的值是非零向量，向量值為肢體方向的單位向量，而這段區域外的點值為零向量。然後構成的一個二分特徵圖，網絡最後輸出的就是這個二分特徵圖。因為有19個關節點，每個關節點單獨預測一段肢體，每段肢體都由二維向量表示，所以輸出是一個19×2個通道的特徵圖組。
計算模塊208，用於根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度。
在本發明實施例中，所述步驟s109可以由計算模塊208執行。計算模塊208執行步驟s109的方式為根據所述關節點對應肢體所屬類別的親密區域特徵圖，獲取所述關節點對應肢體的非零向量；根據所述關節點對應肢體的非零向量及兩個所述關節點分別對應的位置信息，利用插值積分算法，計算兩個所述關節點之間的所述親密度。
生成模塊209，用於依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。
在本發明實施例中，所述步驟s110可以由生成模塊209執行。具體地，生成模塊209執行步驟s110的方式為：當兩個所述關節點之間的親密度大於預設親密度閾值時，則將兩個所述關節點連接，以生成所述人物圖像數據中人物的姿勢骨架線。
綜上所述，本發明提供的一種姿勢檢測方法、裝置及伺服器。其中，所述方法包括獲取所述人物圖像數據中的各個關節點的特徵信息；根據所述關節點的特徵信息，建立每一類關節點對應的置信圖；獲取每個關節點的準確的位置信息；根據從所述人物圖像數據中檢測出的每一段肢體的肢體信息，構建每一類肢體的親密區域特徵圖；根據所述親密區域特徵圖及所述位置信息，計算任意兩個分別屬於不同類別且相鄰的關節點之間的親密度；依據所述親密度生成所述人物圖像數據中人物的姿勢骨架線，以實現對圖像數據中人物姿勢的檢測。降低後續處理的複雜性，也降低了對硬體的要求，處理速度快，檢測精度高。
在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，也可以通過其它的方式實現。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據本發明的多個實施例的裝置、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。也應當注意，在有些作為替換的實現方式中，方框中所標註的功能也可以以不同於附圖中所標註的順序發生。例如，兩個連續的方框實際上可以基本並行地執行，它們有時也可以按相反的順序執行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執行規定的功能或動作的專用的基於硬體的系統來實現，或者可以用專用硬體與計算機指令的組合來實現。
另外，在本發明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。
所述功能如果以軟體功能模塊的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬碟、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光碟等各種可以存儲程序代碼的介質。
需要說明的是，在本文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
以上所述僅為本發明的優選實施例而已，並不用於限制本發明，對於本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨後的附圖中不需要對其進行進一步定義和解釋。
以上所述，僅為本發明的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護範圍之內。因此，本發明的保護範圍應所述以權利要求的保護範圍為準。