[发明专利]数据处理、训练、识别方法、装置和存储介质

说明书

本发明公开了一种数据处理、训练、识别方法、装置和存储介质。其中，该方法包括：将待识别的特征数据输入权重注意力神经网络模型，识别得到待识别的特征数据中至少一个目标的关键点二维坐标，其中，权重注意力神经网络模型用于通过自顶向下的方式进行至少一人的姿态估计，检测待识别的特征数据中至少一个目标的位置矩形框，并检测位置矩形框内目标的关键点二维坐标；通过目标的关键点二维坐标进行计算，得到第一预设关键点组合的连线与第二预设关键点组合的连线之间的夹角或第一预设关键点组合的连线与第一预设线之间的夹角；将第一预设关键点组合的连线与第二预设关键点组合的连线之间的夹角或第一预设关键点组合的连线与第一预设线之间的夹角在第一预设数据库中进行匹配，得出目标的识别结果。本发明解决了由于相关技术在对人体姿态的识别过程中，数据处理效率低的技术问题。

技术领域

本发明涉及计算机技术应用领域，具体而言，涉及一种数据处理、训练、识别方法、装置和存储介质。

背景技术

在姿态估计技术中(即，关键点检测技术)目前常用的两种解决方案包括：自顶向下的方法(Two-step framework)和自底向上的方法(Part-based framework)；

其中，自顶向下的方法是先检测图片(2D/3D)中所有人物的位置矩形框(人物完整的被包含在矩形框内)，然后分别独立地检测每一个矩形框内人物的骨骼关键点坐标，连接成人物骨架，其特点在于数据处理精度高，其中，姿态估计的准确度高度依赖于人物位置矩形框的检测质量。

自底向上的方法是先检测出图片中所有人物的骨骼关键点坐标，然后处理每个骨骼关键点的分配问题，将每个关键点分配给不同的人，连接成人物骨架，其特点在于数据处理速度快，但是如果出现密集人群或人物之间出现遮挡，那么在分配关键点到个人的阶段容易出现错误的情况。

而相关技术中在实现体态识别上主要通过Kinect设备获取人物关键点，但是该设备价格昂贵且不便携带，此外，相关技术中由于采样和计算模型的原因会导致数据源头本身的误差变大，因此相关技术在对人体姿态的动作识别上精度低。

针对上述由于相关技术在对人体姿态的识别过程中，数据处理效率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种数据处理、训练、识别方法、装置和存储介质，以至少解决由于相关技术在对人体姿态的识别过程中，数据处理效率低的技术问题。

根据本发明实施例的一个方面，提供了一种数据处理方法，包括：将具备第一数量通道的第一特征数据输入至具备第二数量滤波器的第一类卷积层进行计算，输出具备第二数量通道的第二特征数据，其中，第一数量大于第二数量；将具备第二数量通道的第二特征数据输入至具备第二数量滤波器的第二类卷积层，并根据第二类卷积层中的全连接层生成的第二类卷积层中各个滤波器的权重的掩码；依据掩码确定第二类卷积层中的各个滤波器与第二特征数据中的各通道的连接方式；依据连接方式得到的映射关系对第二特征数据进行卷积计算，得到第三特征数据；将具备第二数量通道的第三特征数据输入至具备第一数量滤波器的第三类卷积层进行计算，输出具备第一数量通道的第四特征数据。

可选的，数据处理方法应用于人工智能中的深度学习。

可选的，数据处理方法应用于识别图片/视频中的目标的姿态或动作。

根据本发明实施例的一个方面，提供了一种数据训练方法，包括：获取待训练的权重分类模型，其中，权重分类模型为获取图像数据的图像特征的神经网络模型；对待训练的权重分类模型进行训练，得到权重分类模型；其中，对待训练的权重分类模型进行训练中使用的方法包括上述数据处理方法。