基于人工智能的狗脸关键点检测方法及相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的狗脸关键点检测方法、装置、电子设备及存储介质。


背景技术：

2.随着数字科技的发展，各行各业开始倾向于利用数字图像处理技术提升业务效率和业务质量，例如，一些互联网企业倾向于利用数字图像处理技术检测狗脸图像中的关键点，以便于对狗脸图像做分类或目标检测处理。
3.目前，通常利用坐标点回归的方式对狗脸图像中的关键点进行预测，然而这种方式没有利用狗脸图像中的结构信息，缺少了空间泛化能力，导致检测结果的准确度较低。因此，研究一种包含空间信息的狗脸关键点检测方法势在必行。


技术实现要素：

4.鉴于以上内容，有必要提供一种基于人工智能的狗脸关键点检测方法及相关设备，以解决如何提高狗脸关键点检测的准确度这一技术问题，其中，相关设备包括基于人工智能的狗脸关键点检测装置、电子设备及存储介质。
5.本技术实施例提供一种基于人工智能的狗脸关键点检测方法，所述方法包括：
6.对历史狗脸图像进行转码处理获得转码图像；
7.对转码图像进行分割获得多个图像块；
8.计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像；
9.基于所述标记图像和所述转码图像训练狗脸关键点检测模型；
10.将待检测图像输入所述狗脸关键点检测模型以获取检测结果。
11.上述基于人工智能的狗脸关键点检测方法通过对狗脸图像进行转码获得转码图像，对于转码图像进行分割获得了多个图像块，计算每个图像块的关键点并进行数据标注获得标记图像，基于标记图像和转码图像训练狗脸关键点检测模型，能够自动标记图像中的关键点，降低标注成本的同时提升了模型训练的效率，并在模型训练过程中应用空间特征，从而提升了模型的泛化能力，进而提升了狗脸关键点检测的准确度。
12.在一些实施例中，所述对历史狗脸图像进行转码获得转码图像包括：
13.对历史狗脸图像进行上采样获得采样图像；
14.计算所述采样图像中每个像素点的灰度值获得灰度图像；
15.对所述灰度图像进行锐化获得转码图像。
16.如此，通过对狗脸图像进行上采样获得了采样图像，并计算采样图像中每个像素点的灰度值获得了灰度图像，并进一步对灰度图像进行锐化获得了转码图像，能够对在提升狗脸图像空间信息的同时增强狗脸图像的对比度，从而提升了后续图像块划分的准确度。
17.在一些实施例中，所述对转码图像进行分割获得多个图像块包括：
18.构建所述转码图像中每个像素点的特征描述子；
19.依据预设的狗脸关键点类别数量在所述转码图像中设置多个聚类中心；
20.基于所述特征描述子和所述聚类中心对所述转码图像中的每个像素点进行聚类以获得多个图像块。
21.如此，通过预设的划分阈值初始化设置转码图像中的多个像素点作为聚类中心，并依据聚类中心对转码图像中的像素点进行聚类以生成多个图像块，为后续计算图像关键点提供了数据支撑。
22.在一些实施例中，所述基于所述特征描述子和所述聚类中心对所述转码图像中的每个像素点进行聚类以获得多个图像块，包括：
23.从所述转码图像中任选一个像素点作为目标像素点；
24.分别计算每个聚类中心的特征描述子与所述目标像素点的特征描述子之间的相似度，将所述目标像素点与最大的相似度对应的聚类中心归类为同一个聚类簇；
25.分别将所述转码图像中的每个像素点作为目标像素点以获取多个聚类簇，每个聚类簇代表一个图像块。
26.如此，通过迭代更新所述聚类中心的位置查找到了最具代表性特征的像素点，为后续计算图像关键点提供了数据支撑，并为后续训练关键点检测模型提供了数据支撑。
27.如此，通过迭代更新聚类中心的位置划分了多个图像块，每个图像块中的像素点的特征高度相似，能够为后续图像标注提供准确的范围指引，以提升图像标记的准确度。
28.在一些实施例中，所述计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像，包括：
29.依据每个图像块中所有像素点的坐标计算每个图像块的关键点；
30.依据所述关键点的坐标和预设的宽高参数设置每个图像块的虚拟锚框；
31.利用预设的标注工具对每个虚拟锚框设置类别标签以获得标记图像。
32.如此，通过每个图像块中所有像素点的坐标计算了每个图像块的关键点位置，并进一步对所有关键点进行数据标注获得了标记图像，能够提升数据标注的准确度和效率。
33.在一些实施例中，所述基于所述标记图像和所述转码图像训练狗脸关键点检测模型包括：
34.将所述转码图像作为样本图像，并将所述标记图像作为标签图像，存储所述样本图像和所述标签图像获得训练数据集；
35.构建初始狗脸关键点检测模型，所述初始狗脸关键点检测模型包括编码器和解码器；
36.将所述样本图像依次输入所述初始狗脸关键点检测模型获得检测结果，并依据预设的损失函数更新所述初始狗脸关键点检测模型的参数以获得狗脸关键点检测模型。
37.如此，基于大量的标记图像和大量的转码图像对初始狗脸关键点检测模型进行训练获得了狗脸关键点检测模型，并依据预设的损失函数不断更新初始狗脸检测模型中的参数，能够提升狗脸关键点检测模型的性能，进而提升狗脸关键点检测的准确度。
38.在一些实施例中，所述将待检测图像输入所述狗脸关键点检测模型以获取检测结果，包括：
39.将待检测图像输入所述狗脸关键点检测模型以获得多个预测热图、每个预测热图
中关键点的类别以及每个关键点对应的预测宽高参数；
40.依据所述预测热图中关键点的类别以及预测宽高参数在所述待检测图像中划分真实锚框，并将所述真实锚框作为检测结果。
41.如此，基于所述狗脸关键点检测模型的输出数据计算了检测结果，无需进行极大值抑制即可获得较为准确的检测结果，提升了狗脸关键点检测的效率和准确度。
42.本技术实施例还提供一种基于人工智能的狗脸关键点检测装置，所述装置包括：
43.转码单元，用于对所述狗脸图像进行转码处理获得转码图像；
44.分割单元，用于对转码图像进行分割获得多个图像块；
45.标记单元，用于计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像；
46.训练单元，用于基于所述标记图像和所述转码图像训练狗脸关键点检测模型；
47.检测单元，用于将待检测图像输入所述狗脸关键点检测模型以获取检测结果。
48.本技术实施例还提供一种电子设备，所述电子设备包括：
49.存储器，存储计算机可读指令；及
50.处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的狗脸关键点检测方法。
51.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的狗脸关键点检测方法。
52.上述基于人工智能的狗脸关键点检测方法通过对狗脸图像进行转码获得转码图像，对于转码图像进行分割获得了多个图像块，计算每个图像块的关键点并进行数据标注获得标记图像，基于标记图像和转码图像训练狗脸关键点检测模型，能够自动标记图像中的关键点，降低标注成本的同时提升了模型训练的效率，并在模型训练过程中应用空间特征，从而提升了模型的泛化能力，进而提升了狗脸关键点检测的准确度。
附图说明
53.图1是本技术所涉及的一种基于人工智能的狗脸关键点检测方法的较佳实施例的流程图。
54.图2是本技术所涉及的基于人工智能的狗脸关键点检测装置的较佳实施例的功能模块图。
55.图3是本技术所涉及的基于人工智能的狗脸关键点检测方法的较佳实施例的电子设备的结构示意图。
56.图4是本技术实施例所涉及的多个图像块的示意图。
57.图5是本技术实施例所涉及的标记图像示意图。
58.图6是本技术实施例所涉及的狗脸关键点检测模型的结构示意图。
59.图7是本技术实施例所涉及的检测结果示意图。
具体实施方式
60.为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例
对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
61.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
62.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
63.本技术实施例提供一种基于人工智能的狗脸关键点检测方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。
64.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。
65.所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。
66.所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。
67.如图1所示，是本技术基于人工智能的狗脸关键点检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
68.s10，对历史狗脸图像进行转码处理获得转码图像。
69.在一个可选的实施例中，所述对历史狗脸图像进行转码获得转码图像包括：
70.对历史狗脸图像进行上采样获得采样图像；
71.计算所述采样图像中每个像素点的灰度值获得灰度图像；
72.对所述灰度图像进行锐化获得转码图像。
73.该可选的实施例中，为了增强历史狗脸图像的空间信息，可依据预设的插值算法对狗脸图像进行上采样获得采样图像。
74.在一些实施例中，所述插值算法可以是临近插值算法、双线性插值算法或三次线性插值算法等现有的插值算法，本技术对此不做限定。
75.该可选的实施例中，以临近插值算法为例，所述采样图像的获取方式为：
76.依据预设的采样倍率构建所述狗脸图像中每个像素点对应的采样矩阵，所述采样矩阵的尺寸为所述采样倍率的平方，示例性的，本实施例中所述采样倍率可以是2，则所述采样矩阵的尺寸为4；
77.初始化设置所有采样矩阵中每个元素的值为0；
78.将所述狗脸图像中每个像素点的坐标作为每个像素点对应的采样矩阵的坐标，示例性的，坐标为[2,3]的像素点对应的采样矩阵坐标为[2,3]；
[0079]
将所述狗脸图像中每个像素点的像素值作为具备相同坐标的采样矩阵中所有元素的值；
[0080]
依据所有采样矩阵对应的坐标组合所述采样矩阵以获得采样图像。
[0081]
该可选的实施例中，可依据预设的灰度计算公式计算所述采样图像中每个像素点的灰度值以获得灰度图像，所述灰度计算公式满足以下关系式：
[0082]
gray＝0.299*r 0.587*g 0.114*b
[0083]
其中，gray代表所述灰度图像中某一个像素点的灰度值；r代表该像素点对应的r通道的值；g代表该像素点对应的g通道值；b代表该像素点对应的b通道的值。
[0084]
该可选的实施例中，由于所述灰度图像是经过上采样获得的，可能出现模糊情况，因此可利用预设的锐化公式对所述灰度图像进行锐化处理获得锐化图像，以所述灰度图像中任意一个像素点为例，所述预设的锐化公式满足以下关系式：
[0085]
p＝(1 γ)*gray-γ*m
[0086]
其中，p代表该像素点的锐化值；gray代表该像素点的灰度值；m代表所述灰度图像中所有像素点灰度值的均值；γ代表预设的锐化参数，基于多次试验的经验，所述锐化参数可以是0.5。
[0087]
示例性的，当所述灰度图像中某一个像素点的灰度值为100，且所述灰度图像中所有像素点灰度值的均值为80，则该像素点对应的锐化值的计算方法为：
[0088]
p＝(1 0.5)*100-0.5*80＝110
[0089]
则该像素点对应的锐化值为110。
[0090]
该可选的实施例中，可将每个锐化值作为每个像素点对应的像素值以获得转码图像。
[0091]
如此，通过对狗脸图像进行上采样获得了采样图像以突出狗脸图像中的空间信息，并计算采样图像中每个像素点的灰度值获得了灰度图像，并进一步对灰度图像进行锐化获得了转码图像，能够对在提升狗脸图像空间信息的同时增强狗脸图像的对比度，从而提升了后续图像块划分的准确度。
[0092]
s11，对转码图像进行分割获得多个图像块。
[0093]
在一个可选的实施例中，所述对转码图像进行分割获得多个图像块包括：
[0094]
构建所述转码图像中每个像素点的特征描述子；
[0095]
依据预设的狗脸关键点类别数量在所述转码图像中设置多个聚类中心；
[0096]
基于所述特征描述子和所述聚类中心对所述转码图像中的每个像素点进行聚类以获得多个图像块。
[0097]
该可选的实施例中，可依据所述转码图像中每个像素点的像素值和坐标构建每个像素点的特征描述子，所述特征描述子用以表征每个像素点的空间特征和每个像素点的明暗特征，所述特征描述子的形式可以是[p,x,y]，其中，p代表所述转码图像中每个像素点的锐化值、x代表每个像素点的横坐标、y代表每个像素点的纵坐标。
[0098]
示例性的，当所述转码图像中某一个像素点的锐化值为[50]且该像素点的坐标为
[2,3]时，则该像素点的特征描述子为[50,2,3]。
[0099]
该可选的实施例中，可依据预设的狗脸关键点类别数量在所述转码图像中初始化设置多个像素点作为聚类中心，所述狗脸关键点类别数量是大于1的正整数。
[0100]
示例性的，当所述狗脸关键点的类别包括[眼睛，耳朵，鼻子]，则所述关键点类别数量为3，可从所述转码图像中任选3个像素点作为聚类中心。
[0101]
该可选的实施例中，所述聚类的具体实施步骤为：
[0102]
a，从所述转码图像中任选一个像素点作为目标像素点；
[0103]
b，分别计算所述目标像素点与每个聚类中心的相似度，并将所述目标像素点归类于最大相似度对应的聚类中心，所述相似度的计算方式满足以下关系式：
[0104][0105]
其中，s代表所述目标像素点与所述聚类中心的相似度，所述相似度越大则表明所述目标像素点与所述聚类中心越相似；ai代表所述聚类中心的特征描述子中第i个维度的数值；bi代表所述目标像素点的特征描述子中第i个维度的数值；k代表所述特征描述子的维度的数量，本方案中k为3。
[0106]
示例性的，当某一个聚类中心的特征描述子为[50,2,3]且目标像素点的特征描述子为[60,1,2]时，则所述目标像素点与该聚类中心的相似度的计算方式为：
[0107][0108]
则该目标像素点与该聚类中心的相似度为0.99。
[0109]
该可选的实施例中，可将所述目标像素点与最大相似度对应的聚类中心归为同一个聚类簇；
[0110]
c，分别将所述转码图像中的每个像素点作为目标像素点并重复步骤b，以获得多个聚类簇，每个聚类簇包含多个像素点；
[0111]
d，计算每个聚类簇中所有像素点的特征描述子的均值以作为每个聚类簇对应的均值，计算所述均值与所述聚类中心的差值，若差值较小则输出多个聚类簇；若差值较大则将所述均值作为聚类中心并重复上述步骤a至d。
[0112]
该可选的实施例中，每个聚类簇代表一个图像块，每个图像块包含多个像素点，且每个图像块内部所有像素点的相似度较高。
[0113]
示例性的，如图4所示为所述多个像素块的示意图。
[0114]
如此，通过预设的狗脸关键点类别数量初始化设置转码图像中的多个像素点作为聚类中心，并依据聚类中心对转码图像中的像素点进行聚类以生成多个图像块，为后续计算图像关键点提供了数据支撑。
[0115]
s12，计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像。
[0116]
在一个可选的实施例中，所述计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像，包括：
[0117]
依据每个图像块中所有像素点的坐标计算每个图像块的关键点坐标；
[0118]
依据所述关键点坐标和预设的宽高参数设置每个图像块的虚拟锚框；
[0119]
利用预设的标注工具对每个虚拟锚框设置类别标签以获得标记图像。
[0120]
该可选的实施例中，可依据每个图像块中所有像素点的坐标计算每个图像块的关键点坐标，以所述转码图像中某一个图像块的为例，该图像块中关键点坐标的计算方式满足以下关系式：
[0121]
x＝(x
min
x
max
)/2
[0122]
y＝(y
min
y
max
)/2
[0123]
其中，x代表该关键点的横坐标；x
min
代表该图像块中所有像素点横坐标的最小值，x
max
代表所述图像块中所有像素点横坐标的最大值；y代表该关键点的纵坐标；y
min
代表该图像块中所有像素点纵坐标的最小值，y
max
代表该图像块中所有像素点纵坐标的最大值。
[0124]
该可选的实施例中，可依据所述关键点坐标和预设的宽高参数设置每个图像块的虚拟锚框，所述宽高参数包括宽度参数w和高度参数h，示例性的，当某一个图像块的关键点的坐标为[x,y]，且该关键点对应的宽度参数w为10且高度参数h为20时，则该图像块对应的虚拟锚框的几何中心的坐标为[x,y]，该图像块对应的虚拟锚框的宽度为10且高度为20。
[0125]
该可选的实施例中，可依据预设的标注工具对每个虚拟锚框设置标签，本实施例中，所述标注工具可以是labelme工具，其功能是为图像中的像素点赋予标签。可利用所述labelme工具设置每个关键点的类别标签，并将每个关键点的类别标签作为该关键点对应的虚拟锚框之内所有像素点的类别标签。
[0126]
该可选的实施例中，可将具备多个关键点的转码图像作为标记图像，每个标记图像包括至少一个关键点，每个关键点对应一个虚拟锚框，且该虚拟锚框内所有像素点的类别相同，示例性的，所述类别可以包括[耳朵，眼睛，鼻子]等狗脸关键部位。
[0127]
该可选的实施例中，所述标记图像中具备多个关键点，每个关键点对应一个类别标签和一组宽高参数，本实施例可记所述标记图像中坐标为[x,y]处的像素点属于i类别关键点的概率值为p
i,,y
，示例性的，当所述标记图像中坐标为[2,3]处的像素点是类别为“耳朵”的关键点，则p
耳朵,,
＝1。
[0128]
示例性的，如图5所示为所述标记图像的示意图。
[0129]
如此，通过每个图像块中所有像素点的坐标计算了每个图像块的关键点位置，并进一步对所有关键点进行数据标注获得了标记图像，能够提升数据标注的准确度和效率。
[0130]
s13，基于所述标记图像和所述转码图像训练狗脸关键点检测模型。
[0131]
在一个可选的实施例中，所述基于所述标记图像和所述转码图像训练狗脸关键点检测模型包括：
[0132]
将所述转码图像作为样本图像，并将所述标记图像作为标签图像，存储所述样本图像和所述标签图像获得训练数据集；
[0133]
构建初始狗脸关键点检测模型，所述初始狗脸关键点检测模型包括编码器和解码器；
[0134]
将所述样本图像依次输入所述初始狗脸关键点检测模型获得检测结果，并依据预设的损失函数更新所述初始狗脸关键点检测模型的参数以获得狗脸关键点检测模型。
[0135]
该可选的实施例中，可将所有的转码图像作为样本图像，并将每个转码图像对应
的标记图像作为标签图像，进一步可存储所有样本图像与标签图像获得训练数据集。
[0136]
该可选的实施例中，所述编码器可以是resnet(residualnetwork，残差网络)、dla(deeplayeraggregation，深层聚合网络)或hourglass(漏斗网络)等现有的神经网络结构；所述解码器包括第一解码器、第二解码器和第三解码器，所述解码器可以是cnn(convolutionneuralnetwork，卷积神经网络)或r-cnn(recurrent-convolutionneuralnetwork，循环卷积神经网络)等现有的特征提取网络。
[0137]
该可选的实施例中，所述编码器和所述解码器的输入数据与输出数据包括：
[0138]
所述编码器的输入为样本图像，所述编码器的输出为特征图，所述特征图的尺寸与所述样本图像的相同；
[0139]
所述解码器的输入为所述特征图，所述第一解码器的输出为所述样本图像对应的多个预测热图，所有预测热图的尺寸都与所述样本图像相同，每个预测热图包含至少一个关键点，且每个预测热图中所有关键点的类别相同，所述预测热图中每个像素点的值代表该像素点属于该热图类别对应的关键点的概率，示例性的，当某一个预测热图的标签为“耳朵”，且该预测热图中存在一个坐标为[1,2]且像素值为1的关键点，则该像素点是类别为“耳朵”的关键点的概率为1，本实施例中可记所述预测热图中每个像素点的概率值为代表所述预测热图中坐标为[x，y]处的像素点属于i类别关键点的概率；
[0140]
所述第二解码器的输出为预测坐标，所述预测坐标指由第二解码器预测到的所述样本图像中关键点的坐标，本方案中可记所述预测坐标为
[0141]
所述第三解码器的输出为预测宽高参数，所述预测宽高参数指由第三解码器预测到的所述样本图像中每个关键点对应的虚拟锚框的宽和高的参数，本方案中可记所述预测宽高参数为其中代表所述第三解码器输出的预测宽度参数、代表所述第三解码器输出的预测高度参数。
[0142]
示例性的，如图6所示为所述初始狗脸关键点检测模型的结构示意图。
[0143]
该可选的实施例中，为了确保所述狗脸关键点检测模型的输出与标签图像尽可能相似，因此需要依据预设的损失函数对所述初始狗脸关键点检测模型进行迭代训练以更新所述初始狗脸关键点检测模型的参数，所述预设的损失函数包括热图损失、位移损失和回归损失，所述热图损失满足以下关系式：
[0144][0145]
其中，l
heatmap
代表所述热图损失，所述热图损失值越小则表明所输预测热图中关键点与所述样本图像中关键点越相似；n代表所述标签图像中关键点类别的数量，n
x
代表所述预测热图的宽度，即所述预测热图行方向坐标点的数量；ny代表所述预测热图的高度，即所述预测热图列方向坐标点的数量；x和y代表所述热图中像素点坐标；α和β代表预设的调和参数，本实施例中可设置α＝2且β＝4；代表所述预测热图中坐标为(x,y)处像素点属于类别i关键点的概率，示例性的，当时代表所述热图中坐标为[2,3]处的像素点属于“耳朵”类别关键点的概率为1，当时代表所述热图中坐标为
[50,50]处的像素点属于“鼻子”类别关键点的概率为0.8。
[0146]
该可选的实施例中，可依据标签图像中的宽高参数和预测宽高参数构建回归损失函数，所述回归损失函数满足以下关系式：
[0147][0148]
其中，l
regression
代表回归损失，所述回归损失用以表征所述预测热图中关键点范围大小与所述标签图像中关键点范围大小的差异性，所述回归损失的值越小则表明预测到的宽高参数与标签图像中宽高参数越相似；m代表所述标签图像中关键点的数量；w和h分别代表标签图像中第k个类别的关键点对应的宽高参数；代表预测出的第k个关键点对应的预测宽高参数。
[0149]
该可选的实施例中，所述位移损失函数满足以下关系式：
[0150][0151]
其中，l
offset
代表所述位移损失函数的损失值，所述回归损失值越小则表明所述预测到的关键点坐标与所述标签图像中关键点的坐标越相近；m代表所述标签图像中关键点的数量，且i代表所述标签图像中关键点的索引；di代表所述预测坐标与标签图像中关键点坐标的欧式距离，且
[0152]
该可选的实施例中，可依据所述热图损失、回归损失和位移损失计算所述初始狗脸关键点检测模型的总体损失值，所述总体损失值的计算方式满足以下关系式：
[0153]
loss＝l
regression
a
×
l
heatmap
b
×
l
offset
[0154]
其中，loss代表所述总体损失值，所述总体损失值越小则表明所述初始狗脸关键点检测模型的输出与标签图像越相似，则所述初始狗脸关键点检测模型的性能越好；l
regression
代表所述回归损失值；l
heatmap
代表所述热图损失值；l
offset
代表所述位移损失值；a和b代表预设的权重参数，根据多次试验获得的经验，a可以是2且b可以是4。
[0155]
该可选的实施例中，可将所述样本图像依次输入所述初始狗脸关键点检测模型，以获得所述样本图像对应的关键点检测结果，所述检测结果包括多个热图、每个关键点的坐标和每个关键点对应的宽高参数。进一步，可依据所述样本图像对应的标签图像与所述检测结果计算所述总体损失值，所述总体损失值用以表征所述标签图像和所述预测结果之间的差异性，所述总体损失值越小则表明所述检测结果与所述标签图像越相似。
[0156]
该可选的实施例中，可利用梯度下降法迭代更新所述初始狗脸关键点检测模型的参数，直到所述总体损失值小于预设的终止阈值时停止迭代以获得狗脸关键点检测模型，根据多次试验获得的经验，所述终止阈值可以是0.001。
[0157]
如此，基于大量的标记图像和大量的转码图像对初始狗脸关键点检测模型进行训练获得了狗脸关键点检测模型，并依据预设的损失函数不断更新初始狗脸检测模型中的参数，能够提升狗脸关键点检测模型的性能，进而提升狗脸关键点检测的准确度。
[0158]
s14，将待检测图像输入所述狗脸关键点检测模型以获取检测结果。
[0159]
在一个可选的实施例中，所述将待检测图像输入所述狗脸关键点检测模型以获取检测结果，包括：
[0160]
将待检测图像输入所述狗脸关键点检测模型以获得多个预测热图、每个预测热图中关键点的类别以及每个关键点对应的预测宽高参数；
[0161]
依据所述预测热图中关键点的类别以及预测宽高参数在所述待检测图像中划分真实锚框，并将所述真实锚框作为检测结果。
[0162]
该可选的实施例中，可将待检测的狗脸图像输入所述狗脸关键点检测模型以获得多个预测热图和预测宽高参数，每个预测热图对应一个预测类别标签，所述预测类别标签即为所述热图中所有关键点的类别，且每个预测热图中包含至少一个关键点，所述预测宽高参数用以表征所述狗脸图像中关键部位的范围，示例性的，如图7所示为所述检测结果的示意图。
[0163]
该可选的实施例中，可依据所述预测热图中像素值为1的像素点查找所述待检测图像中相同位置的像素点作为所述待检测图像的预测关键点，并将所述热图的类别作为该关键点的类别。进一步，依据预测宽高参数与预测关键点在所述待检测图像中划分真实锚框，将所述真实锚框作为检测结果，所述真实锚框用以表征该锚框内所有像素点都属于对应的类别。
[0164]
如此，基于所述狗脸关键点检测模型的输出数据计算了检测结果，无需进行极大值抑制即可获得较为准确的检测结果，提升了狗脸关键点检测的效率和准确度。
[0165]
上述基于人工智能的狗脸关键点检测方法通过对狗脸图像进行转码获得转码图像，对于转码图像进行分割获得了多个图像块，计算每个图像块的关键点并进行数据标注获得标记图像，基于标记图像和转码图像训练狗脸关键点检测模型，能够自动标记图像中的关键点，降低标注成本的同时提升了模型训练的效率，并在模型训练过程中应用空间特征，从而提升了模型的泛化能力，进而提升了狗脸关键点检测的准确度。
[0166]
如图2所示，是本技术实施例提供的基于人工智能的狗脸关键点检测装置的较佳实施例的功能模块图。基于人工智能的狗脸关键点检测装置11包括转码单元110、分割单元111、标记单元112、训练单元113、检测单元114。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0167]
在一个可选的实施例中，转码单元110用于对历史狗脸图像进行转码处理获得转码图像。
[0168]
在一个可选的实施例中，所述对历史狗脸图像进行转码获得转码图像包括：
[0169]
对历史狗脸图像进行上采样获得采样图像；
[0170]
计算所述采样图像中每个像素点的灰度值获得灰度图像；
[0171]
对所述灰度图像进行锐化获得转码图像。
[0172]
该可选的实施例中，为了增强历史狗脸图像的空间信息，可依据预设的插值算法对狗脸图像进行上采样获得采样图像。
[0173]
在一些实施例中，所述插值算法可以是临近插值算法、双线性插值算法或三次线性插值算法等现有的插值算法，本技术对此不做限定。
[0174]
该可选的实施例中，以临近插值算法为例，所述采样图像的获取方式为：
[0175]
依据预设的采样倍率构建所述狗脸图像中每个像素点对应的采样矩阵，所述采样矩阵的尺寸为所述采样倍率的平方，示例性的，本实施例中所述采样倍率可以是2，则所述采样矩阵的尺寸为4；
[0176]
初始化设置所有采样矩阵中每个元素的值为0；
[0177]
将所述狗脸图像中每个像素点的坐标作为每个像素点对应的采样矩阵的坐标，示例性的，坐标为[2,3]的像素点对应的采样矩阵坐标为[2,3]；
[0178]
将所述狗脸图像中每个像素点的像素值作为具备相同坐标的采样矩阵中所有元素的值；
[0179]
依据所有采样矩阵对应的坐标组合所述采样矩阵以获得采样图像。
[0180]
该可选的实施例中，可依据预设的灰度计算公式计算所述采样图像中每个像素点的灰度值以获得灰度图像，所述灰度计算公式满足以下关系式：
[0181]
gray＝0.299*r 0.587*g 0.114*b
[0182]
其中，gray代表所述灰度图像中某一个像素点的灰度值；r代表该像素点对应的r通道的值；g代表该像素点对应的g通道值；b代表该像素点对应的b通道的值。
[0183]
该可选的实施例中，由于所述灰度图像是经过上采样获得的，可能出现模糊情况，因此可利用预设的锐化公式对所述灰度图像进行锐化处理获得锐化图像，以所述灰度图像中任意一个像素点为例，所述预设的锐化公式满足以下关系式：
[0184]
p＝(1 γ)*gray-γ*m
[0185]
其中，p代表该像素点的锐化值；gray代表该像素点的灰度值；m代表所述灰度图像中所有像素点灰度值的均值；γ代表预设的锐化参数，基于多次试验的经验，所述锐化参数可以是0.5。
[0186]
示例性的，当所述灰度图像中某一个像素点的灰度值为100，且所述灰度图像中所有像素点灰度值的均值为80，则该像素点对应的锐化值的计算方法为：
[0187]
p＝(1 0.5)*100-0.5*80＝110
[0188]
则该像素点对应的锐化值为110。
[0189]
该可选的实施例中，可将每个锐化值作为每个像素点对应的像素值以获得转码图像。
[0190]
在一个可选的实施例中，分割单元111用于对转码图像进行分割获得多个图像块。
[0191]
在一个可选的实施例中，所述对转码图像进行分割获得多个图像块包括：
[0192]
构建所述转码图像中每个像素点的特征描述子；
[0193]
依据预设的狗脸关键点类别数量在所述转码图像中设置多个聚类中心；
[0194]
基于所述特征描述子和所述聚类中心对所述转码图像中的每个像素点进行聚类以获得多个图像块。
[0195]
该可选的实施例中，可依据所述转码图像中每个像素点的像素值和坐标构建每个像素点的特征描述子，所述特征描述子用以表征每个像素点的空间特征和每个像素点的明暗特征，所述特征描述子的形式可以是[p,x,y]，其中，p代表所述转码图像中每个像素点的锐化值、x代表每个像素点的横坐标、y代表每个像素点的纵坐标。
[0196]
示例性的，当所述转码图像中某一个像素点的锐化值为[50]且该像素点的坐标为[2,3]时，则该像素点的特征描述子为[50,2,3]。
[0197]
该可选的实施例中，可依据预设的狗脸关键点类别数量在所述转码图像中初始化设置多个像素点作为聚类中心，所述狗脸关键点类别数量是大于1的正整数。
[0198]
示例性的，当所述狗脸关键点的类别包括[眼睛，耳朵，鼻子]，则所述关键点类别数量为3，可从所述转码图像中任选3个像素点作为聚类中心。
[0199]
该可选的实施例中，所述聚类的具体实施步骤为：
[0200]
a，从所述转码图像中任选一个像素点作为目标像素点；
[0201]
b，分别计算所述目标像素点与每个聚类中心的相似度，并将所述目标像素点归类于最大相似度对应的聚类中心，所述相似度的计算方式满足以下关系式：
[0202][0203]
其中，s代表所述目标像素点与所述聚类中心的相似度，所述相似度越大则表明所述目标像素点与所述聚类中心越相似；ai代表所述聚类中心的特征描述子中第i个维度的数值；bi代表所述目标像素点的特征描述子中第i个维度的数值；k代表所述特征描述子的维度的数量，本方案中k为3。
[0204]
示例性的，当某一个聚类中心的特征描述子为[50,2,3]且目标像素点的特征描述子为[60,1,2]时，则所述目标像素点与该聚类中心的相似度的计算方式为：
[0205][0206]
则该目标像素点与该聚类中心的相似度为0.99。
[0207]
该可选的实施例中，可将所述目标像素点与最大相似度对应的聚类中心归为同一个聚类簇；
[0208]
c，分别将所述转码图像中的每个像素点作为目标像素点并重复步骤b，以获得多个聚类簇，每个聚类簇包含多个像素点；
[0209]
d，计算每个聚类簇中所有像素点的特征描述子的均值以作为每个聚类簇对应的均值，计算所述均值与所述聚类中心的差值，若差值较小则输出多个聚类簇；若差值较大则将所述均值作为聚类中心并重复上述步骤a至d。
[0210]
该可选的实施例中，每个聚类簇代表一个图像块，每个图像块包含多个像素点，且每个图像块内部所有像素点的相似度较高。
[0211]
示例性的，如图4所示为所述多个像素块的示意图。
[0212]
在一个可选的实施例中，标记单元112用于计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像。
[0213]
在一个可选的实施例中，所述计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像，包括：
[0214]
依据每个图像块中所有像素点的坐标计算每个图像块的关键点坐标；
[0215]
依据所述关键点坐标和预设的宽高参数设置每个图像块的虚拟锚框；
[0216]
利用预设的标注工具对每个虚拟锚框设置类别标签以获得标记图像。
[0217]
该可选的实施例中，可依据每个图像块中所有像素点的坐标计算每个图像块的关
convolutionneuralnetwork，循环卷积神经网络)等现有的特征提取网络。
[0233]
该可选的实施例中，所述编码器和所述解码器的输入数据与输出数据包括：
[0234]
所述编码器的输入为样本图像，所述编码器的输出为特征图，所述特征图的尺寸与所述样本图像的相同；
[0235]
所述解码器的输入为所述特征图，所述第一解码器的输出为所述样本图像对应的多个预测热图，所有预测热图的尺寸都与所述样本图像相同，每个预测热图包含至少一个关键点，且每个预测热图中所有关键点的类别相同，所述预测热图中每个像素点的值代表该像素点属于该热图类别对应的关键点的概率，示例性的，当某一个预测热图的标签为“耳朵”，且该预测热图中存在一个坐标为[1,2]且像素值为1的关键点，则该像素点是类别为“耳朵”的关键点的概率为1，本实施例中可记所述预测热图中每个像素点的概率值为代表所述预测热图中坐标为[x，y]处的像素点属于i类别关键点的概率；
[0236]
所述第二解码器的输出为预测坐标，所述预测坐标指由第二解码器预测到的所述样本图像中关键点的坐标，本方案中可记所述预测坐标为
[0237]
所述第三解码器的输出为预测宽高参数，所述预测宽高参数指由第三解码器预测到的所述样本图像中每个关键点对应的虚拟锚框的宽和高的参数，本方案中可记所述预测宽高参数为其中代表所述第三解码器输出的预测宽度参数、代表所述第三解码器输出的预测高度参数。
[0238]
示例性的，如图6所示为所述初始狗脸关键点检测模型的结构示意图。
[0239]
该可选的实施例中，为了确保所述狗脸关键点检测模型的输出与标签图像尽可能相似，因此需要依据预设的损失函数对所述初始狗脸关键点检测模型进行迭代训练以更新所述初始狗脸关键点检测模型的参数，所述预设的损失函数包括热图损失、位移损失和回归损失，所述热图损失满足以下关系式：
[0240][0241]
其中，l
heatmap
代表所述热图损失，所述热图损失值越小则表明所输预测热图中关键点与所述样本图像中关键点越相似；n代表所述标签图像中关键点类别的数量，n
x
代表所述预测热图的宽度，即所述预测热图行方向坐标点的数量；ny代表所述预测热图的高度，即所述预测热图列方向坐标点的数量；x和y代表所述热图中像素点坐标；α和β代表预设的调和参数，本实施例中可设置α＝2且β＝4；代表所述预测热图中坐标为(x,y)处像素点属于类别i关键点的概率，示例性的，当时代表所述热图中坐标为[2,3]处的像素点属于“耳朵”类别关键点的概率为1，当时代表所述热图中坐标为[50,50]处的像素点属于“鼻子”类别关键点的概率为0.8。
[0242]
该可选的实施例中，可依据标签图像中的宽高参数和预测宽高参数构建回归损失函数，所述回归损失函数满足以下关系式：
[0243][0244]
其中，l
regression
代表回归损失，所述回归损失用以表征所述预测热图中关键点范围大小与所述标签图像中关键点范围大小的差异性，所述回归损失的值越小则表明预测到的宽高参数与标签图像中宽高参数越相似；m代表所述标签图像中关键点的数量；w和h分别代表标签图像中第k个类别的关键点对应的宽高参数；代表预测出的第k个关键点对应的预测宽高参数。
[0245]
该可选的实施例中，所述位移损失函数满足以下关系式：
[0246][0247]
其中，l
offset
代表所述位移损失函数的损失值，所述回归损失值越小则表明所述预测到的关键点坐标与所述标签图像中关键点的坐标越相近；m代表所述标签图像中关键点的数量，且i代表所述标签图像中关键点的索引；di代表所述预测坐标与标签图像中关键点坐标的欧式距离，且
[0248]
该可选的实施例中，可依据所述热图损失、回归损失和位移损失计算所述初始狗脸关键点检测模型的总体损失值，所述总体损失值的计算方式满足以下关系式：
[0249]
loss＝l
regression
a
×
l
heatmap
b
×
l
offset
[0250]
其中，loss代表所述总体损失值，所述总体损失值越小则表明所述初始狗脸关键点检测模型的输出与标签图像越相似，则所述初始狗脸关键点检测模型的性能越好；l
regression
代表所述回归损失值；l
heatmap
代表所述热图损失值；l
offset
代表所述位移损失值；a和b代表预设的权重参数，根据多次试验获得的经验，a可以是2且b可以是4。
[0251]
该可选的实施例中，可将所述样本图像依次输入所述初始狗脸关键点检测模型，以获得所述样本图像对应的关键点检测结果，所述检测结果包括多个热图、每个关键点的坐标和每个关键点对应的宽高参数。进一步，可依据所述样本图像对应的标签图像与所述检测结果计算所述总体损失值，所述总体损失值用以表征所述标签图像和所述预测结果之间的差异性，所述总体损失值越小则表明所述检测结果与所述标签图像越相似。
[0252]
该可选的实施例中，可利用梯度下降法迭代更新所述初始狗脸关键点检测模型的参数，直到所述总体损失值小于预设的终止阈值时停止迭代以获得狗脸关键点检测模型，根据多次试验获得的经验，所述终止阈值可以是0.001。
[0253]
在一个可选的实施例中，检测单元114用于将待检测图像输入所述狗脸关键点检测模型以获取检测结果。
[0254]
在一个可选的实施例中，所述将待检测图像输入所述狗脸关键点检测模型以获取检测结果，包括：
[0255]
将待检测图像输入所述狗脸关键点检测模型以获得多个预测热图、每个预测热图中关键点的类别以及每个关键点对应的预测宽高参数；
[0256]
依据所述预测热图中关键点的类别以及预测宽高参数在所述待检测图像中划分
真实锚框，并将所述真实锚框作为检测结果。
[0257]
该可选的实施例中，可将待检测的狗脸图像输入所述狗脸关键点检测模型以获得多个预测热图和预测宽高参数，每个预测热图对应一个预测类别标签，所述预测类别标签即为所述热图中所有关键点的类别，且每个预测热图中包含至少一个关键点，所述预测宽高参数用以表征所述狗脸图像中关键部位的范围，示例性的，如图7所示为所述检测结果的示意图。
[0258]
该可选的实施例中，可依据所述预测热图中像素值为1的像素点查找所述待检测图像中相同位置的像素点作为所述待检测图像的预测关键点，并将所述热图的类别作为该关键点的类别。进一步，依据预测宽高参数与预测关键点在所述待检测图像中划分真实锚框，将所述真实锚框作为检测结果，所述真实锚框用以表征该锚框内所有像素点都属于对应的类别。
[0259]
上述基于人工智能的狗脸关键点检测方法通过对狗脸图像进行转码获得转码图像，对于转码图像进行分割获得了多个图像块，计算每个图像块的关键点并进行数据标注获得标记图像，基于标记图像和转码图像训练狗脸关键点检测模型，能够自动标记图像中的关键点，降低标注成本的同时提升了模型训练的效率，并在模型训练过程中应用空间特征，从而提升了模型的泛化能力，进而提升了狗脸关键点检测的准确度。
[0260]
如图3所示，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的狗脸关键点检测方法。
[0261]
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的狗脸关键点检测程序。
[0262]
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0263]
结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的狗脸关键点检测方法，处理器13可执行多个指令从而实现：
[0264]
对历史狗脸图像进行转码处理获得转码图像；
[0265]
对转码图像进行分割获得多个图像块；
[0266]
计算每个图像块的关键点，并依据关键点标注所述转码图像以获得标记图像；
[0267]
基于所述标记图像和所述转码图像训练狗脸关键点检测模型；
[0268]
将待检测图像输入所述狗脸关键点检测模型以获取检测结果。
[0269]
具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0270]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
[0271]
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0272]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的狗脸关键点检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0273]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(controlunit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的狗脸关键点检测程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
[0274]
处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的狗脸关键点检测方法实施例中的步骤，例如图1所示的步骤。
[0275]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成转码单元110、分割单元111、标记单元112、训练单元113、检测单元114。
[0276]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述基于人工智能的狗脸关键点检测方法的部分。
[0277]
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0278]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存储器及其他存储器等。
[0279]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链
节点的使用所创建的数据等。
[0280]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0281]
总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
[0282]
尽管未示出，电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0283]
进一步地，电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
[0284]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0285]
本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的狗脸关键点检测方法。
[0286]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0287]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0288]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0289]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0290]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0291]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。