本发明涉及图像识别技术领域，特别地，涉及一种针对电商图像中人体脚部及鞋子关键点的检测方法，包括如下步骤：确定人体脚部及鞋子关键点的数量Ns和对应位置Ls；标注数据；根据标注的数据训练出一个人体脚部及鞋子关键点检测模型；输入待检测图像，并通过检测模型首先检测含有脚部区域的图像；在检测出含有脚部区域的图像中，识别出脚部所在的区域BoundingBox，并在BoundingBox中，通过检测模型检测可能存在的关键点和其位置。本发明提供了针对电商图片的人体脚部及鞋子关键点检测技术，可以快速准确地检测出模特人体脚部及鞋子位置，为图像进一步的裙裤识别和鞋子识别提供了帮助，从而可以无需准备对商品按照鞋子类型进行人工分类，节省了人力成本。
1.针对电商图像中人体脚部及鞋子关键点的检测方法，其特征在于，包括如下步骤：
S1、确定人体脚部及鞋子关键点的数量Ns和对应位置Ls；
S2、标注数据：根据步骤S1中确定的人体脚部及鞋子关键点的数量Ns和位置Ls，在含有人体脚部及鞋子的商品图像上进行标注；并将关键点连在一起作为一个脚部骨架模板；
S3、根据标注的数据训练出一个人体脚部及鞋子关键点检测模型；
S4、输入待检测图像，并通过检测模型首先检测含有脚部区域的图像；
S5、在检测出含有脚部区域的图像中，识别出脚部所在的区域BoundingBox，并在BoundingBox中，通过检测模型检测可能存在的关键点和其位置；
S6、待检测出所有关键点后，将所有检测出的关键点按照脚部骨架模板中骨架顺序连接起来，与检测模型进行匹配，若检测出的关键点数大于检测模型关键点总数Ns,则根据脚部骨架模板,去除检测图像骨架上未标注的关键点。
2.根据权利要求1所述的针对电商图像中人体脚部及鞋子关键点的检测方法，其特征在于：在步骤S1中，每只脚关键点包括7处，分别为，脚踝处两点，脚背处一点，脚中指处一点，脚掌窄处一点，脚跟处一点。
3.根据权利要求1所述的针对电商图像中人体脚部及鞋子关键点的检测方法，其特征在于，检测模型的检测算法采用AlphaPose。
4.根据权利要求3所述的针对电商图像中人体脚部及鞋子关键点的检测方法，其特征在于：在步骤S4中，采用含有高斯核的SVM分类算法，以检测图像中是否含有脚部区域，具体为：图像输入为I，通过I抽象出特征向量X，针对特征向量X生成N维分类器C，N等于特征向量X的维度，通过训练集，得到模型f(I)＝WT*X+b；其中WT表示权重矩阵的转置，X为图像I提取的特征向量，b为偏移量；
输入待检测图像，当f(x)>0时，即为含有脚部区域，反之则不含有脚部区域。
5.根据权利要求4所述的针对电商图像中人体脚部及鞋子关键点的检测方法，其特征在于，在步骤S5中，若BoundingBox处检测出多个关键点X1,X2···Xn，则计算这些点的中心位置作为此关键点的位置，即此关键点(x，y)分别为x＝(X1+X2+···+Xn)/n，y＝(Y1+Y2+···+Yn)/n。
针对电商图像中人体脚部及鞋子关键点的检测方法
技术领域
[0001] 本发明涉及图像识别技术领域，特别地，涉及一种针对电商图像中人体脚部及鞋子关键点的检测方法。
背景技术
[0002] 电商场景中，商家上传的图片一般是2D的静态图片，其中很多都是模特身着特定商品的展示图。对于包含脚部及鞋子的商品图中，通常的做法是确定裙裤与鞋子的位置，为之后的鞋子检测与分割提供支持。
[0003] 但是裙裤与鞋子的种类样式繁多，因而很难快速准确地完成两者的定位，两者之间有时还显露了人体脚部区域。比如：鞋子有高筒、中筒、低筒、高帮和低帮等分类，高筒鞋可以延伸至人体膝盖之下，而低帮鞋则显露出脚踝等区域。如果按照高筒鞋的标准，将裙裤与鞋子的分界线放在膝盖之下，则明显不适用于低帮鞋子的识别。因此需要对人体脚部和鞋子进行关键点的确定和检测，从而可以快速准确地检测出人体脚部及鞋子，将这部分与裙裤相分隔。
[0004] 一类方案是将包含脚部及鞋子的电商图片按照其高度通过人工方式划分为不同的组，然后分别进行识别，那么显而易见，这种方式比较耗时耗力，同时也难以保证枚举出全部可能性。
发明内容
[0005] 有鉴于此，本发明目的是提供针对针对电商图像中人体脚部及鞋子关键点的检测方法。
[0006] 为了解决上述技术问题，本发明的技术方案是：
[0007] 一种针对电商图像中人体脚部及鞋子关键点的检测方法，包括如下步骤：
[0008] S1、确定人体脚部及鞋子关键点的数量Ns和对应位置Ls；
[0009] S2、标注数据：根据步骤S1中确定的人体脚部及鞋子关键点的数量Ns和位置Ls，在含有人体脚部及鞋子的商品图像上进行标注；并将关键点连在一起作为一个脚部骨架模板；
[0010] S3、根据标注的数据训练出一个人体脚部及鞋子关键点检测模型；
[0011] S4、输入待检测图像，并通过检测模型首先检测含有脚部区域的图像；
[0012] S5、在检测出含有脚部区域的图像中，识别出脚部所在的区域BoundingBox，并在BoundingBox中，通过检测模型检测可能存在的关键点和其位置；
[0013] S6、待检测出所有关键点后，将所有检测出的关键点按照骨架顺序连接起来，与检测模型进行匹配，若检测出的关键点数大于检测模型关键点总数Ns,则根据脚部骨架模板,去除检测图像骨架上未标注的关键点。
[0014] 进一步的，在步骤S1中，每只脚关键点包括7处，分别为，脚踝处两点，脚背处一点，脚中指处一点，脚掌窄处一点，脚跟处一点。
[0015] 进一步的，检测模型的检测算法采用AlphaPose。
[0016] 进一步的，在步骤S4中，采用含有高斯核的SVM分类算法，以检测图像中是否含有脚部区域，具体为：图像输入为I，通过I抽象出特征向量X，针对特征向量X生成N维分类器C，N等于特征向量X的维度，通过训练集，得到模型f(I)＝WT*X+b；其中WT表示权重矩阵的转置，X为图像I提取的特征向量，b为偏移量；
[0017] 输入待检测图像，当f(x)>0时，即为含有脚部区域，反之则不含有脚部区域。
[0018] 进一步的，在步骤S5中，若BoundingBox处检测出多个关键点X1,X2···Xn，则计算这些点的中心位置作为此关键点的位置，即此关键点(x，y)分别为x＝(X1+X2+···+Xn)/n，y＝(Y1+Y2+···+Yn)/n。
[0019] 较之现有技术，本发明的优点在于：
[0020] 本发明提供了针对电商图片的人体脚部及鞋子关键点检测技术，可以快速准确地检测出模特人体脚部及鞋子位置，为图像进一步的裙裤识别和鞋子识别提供了帮助，从而可以无需准备对商品按照鞋子类型进行人工分类，节省了人力成本。
附图说明
[0021] 图1为本发明作为标注标准的关键点位置，图中圆圈部分表示关键点。
具体实施方式
[0022] 以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。
[0023] 实施例1：
[0024] 参照图1所示，本实施例提供一种针对电商图像中人体脚部及鞋子关键点的检测方法，包括如下步骤：
[0025] 步骤一，通过专业顾问团确定人体脚部及鞋子关键点的数量Ns和对应位置Ls，作为图像脚部区域检测对应的标注模板。其中具体的，每只脚取7处关键点(即Ns＝7)，如图1所示，分别为，脚踝处两点(a1,a2),脚背处一点(a3)，脚中指处一点(a4)，脚掌窄处两点(a5,a6)，脚跟处一点(a7)；
[0026] 步骤二、标注数据：根据步骤一中确定的人体脚部及鞋子关键点的数量Ns和位置Ls，在含有人体脚部及鞋子的商品图像上进行标注；值得一提的是，图像集中含有各类鞋子的商品图像，不同类鞋子图像中脚部区域裸露区域大小不同，以应对实际中可能存在的各类商品图片。
[0027] 由于脚部区域不同姿态下的关键点位置不同，因此将这些关键点连在一起，作为一个脚部骨架模板；具体连接方式采用如图1所示顺序连接,即a1，a2分别与a3连接；a3与a4连接；a5、a4、a6、a7依次连接。
[0028] 步骤三、根据标注的数据训练出一个人体脚部及鞋子关键点检测模型；其中检测算法采用AlphaPose；在此检测模型中，首先检测是否含有脚部，这是一个二分类模型，采用含有高斯核的SVM分类算法,图像输入为I，通过I抽象出特征向量X，针对X向量生成N维分类器C，N等于向量X的维度。通过训练集的训练，得到模型f(I)＝WT*X+b，其中，W为训练得到的权重，WT表示权重矩阵的转置，X为图像I提取的特征向量；b为偏移量，也是通过训练调整得到。
[0029] 步骤四、输入待检测图像，并通过检测模型首先检测含有脚部区域的图像；具体的，输入待检测图像I，当f(I)>0时，即为含有脚部区域，反之则不含有脚部区域。
[0030] 步骤五、在检测出含有脚部区域的图像中，识别出脚部所在的区域BoundingBox，并在此BoundingBox中，通过检测模型检测可能存在的关键点和其位置，若此区域BoundingBox处检测出多个关键点X1,X2···Xn，则计算这些点的中心位置作为此关键点的位置，即此关键点(x，y)分别为x＝(X1+X2+···+Xn)/n，y＝(Y1+Y2+···+Yn)/n。
[0031] 步骤六、待检测出所有关键点后，将所有检测出的关键点按照骨架模板的顺序连接起来，与检测模型进行匹配，若检测出的关键点数N>7,则根据各关键点在脚部骨架模板上的相对位置,去除检测图像骨架上未标注的关键点，剩余的关键点即为所需的关键点，作为识别结果。
[0032] 以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围。
