关键点检测方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及关键点检测方法、装置、设备和计算机可读介质。

背景技术

关键点检测被广泛应用于各种计算机视觉任务。相关的关键点检测技术包括坐标回归和热力图回归。

然而，当采用上述方式进行关键点检测时，经常会存在如下技术问题：

当采用坐标回归的方法时，得到的关键点坐标不够准确。当采用热力图回归的方法时，各个关键点之间的关联关系弱。也就是说，相关的检测方式无法同时满足准确率和关键点之间的关联关系的要求。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了关键点检测方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种关键点检测方法，该方法包括：对待检测图像进行特征提取，得到图像特征；将图像特征输入预先训练的热力图回归网络，得到关键点热力图；将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合；基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。

第二方面，本公开的一些实施例提供了一种关键点检测装置，装置包括：提取单元，被配置成对待检测图像进行特征提取，得到图像特征；热力图生成单元，被配置成将图像特征输入预先训练的热力图回归网络，得到关键点热力图；坐标生成单元，被配置成将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合；位置信息生成单元，被配置成基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的关键点检测方法，结合了热力图回归网络和坐标回归网络，从而将两种方式的优势进行结合。具体来说，热力图回归网络预测的关键点坐标准确，坐标回归网络预测的关键点之间的关联关系强，因此，可以同时满足准确率和关键点之间的关联关系的要求。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的关键点检测方法的一个应用场景的示意图；

图2是根据本公开的关键点检测方法的一些实施例的流程图；

图3示例性示出了利用热力图回归网络得到的手部关键点检测结果；

图4示例性示出了利用坐标回归网络得到的手部关键点检测结果；

图5是根据本公开的关键点检测方法的另一些实施例的流程图；

图6是根据本公开的关键点检测装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的关键点检测方法的一个应用场景的示意图。

关键点检测方法的执行主体可以是任意的计算设备。上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

在图1的应用场景中，计算设备可以首先将待检测图像101输入特征提取网络101以进行特征提取。在此基础上，可以将得到的图像特征输入将图像特征输入预先训练的热力图回归网络103，得到关键点热力图104。此外，计算设备可以将热力图回归网络103的中间层(图1中以第三层为例)的输出结果输入预先训练的坐标回归网络105，得到关键点坐标集合106。然后，计算设备可以基于关键点热力图104和关键点坐标集合106，生成待检测图像对应的关键点位置信息107。为了便于说明，可以将关键点位置信息107在待检测图像上进行可视化展示，如图中108所示。

继续参考图2，示出了根据本公开的关键点检测方法的一些实施例的流程200。该关键点检测方法，包括以下步骤：

步骤201，对待检测图像进行特征提取，得到图像特征。

在一些实施例中，关键点检测方法的执行主体可以利用各种特征提取算法，对待检测图像进行特征提取，得到图像特征。例如，可以将待检测图像输入卷积神经网络，得到图像特征。又如，还可以通过颜色直方图、颜色相关图等算法进行图像特征提取。其中，待检测图像可以是任意的图像。例如，在手势识别的场景下，待检测图像可以是当前通过摄像头捕获的图像。当然，也可以是对捕获的图像经过预处理的图像等等。又如，也可以是用户指定的图库中的图像。

在一些实施例的一些可选的实现方式中，在对待检测图像进行特征提取，得到图像特征之前，上述方法还可以包括：对原始待检测图像进行目标部位检测，得到显示目标部位的图像区域；将图像区域缩放至目标尺寸，得到待检测图像。实践中，由于原始待检测图像中可能显示的内容较多。例如，在手部关键点检测的场景下，原始待检测图像中除了手之外，可能还显示有腿、身体、头等等。其他内容会对目标部位的关键点检测造成干扰。因此，可以先进行目标部位检测，得到显示目标部位的图像区域。在此基础上，为了便于统一处理，可以将图像区域缩放至目标尺寸，进而得到待检测图像。

在一些实施例的一些可选的实现方式中，基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息，包括：基于关键点热力图和关键点坐标集合，生成原始待检测图像对应的关键点位置信息。在这些可选的实现方式中，由于待检测图像是在原始待检测图像的基础上得到的，根据需要，可以生成原始待检测图像对应的关键点位置信息。

在一些实施例的一些可选的实现方式中，分别将关键点热力图和关键点坐标集合映射至待检测图像，得到包含热力图映射关键点集合和坐标映射关键点集合的目标图像，包括：分别将关键点热力图和关键点坐标集合映射至原始待检测图像，得到包含热力图映射关键点集合和坐标映射关键点集合的目标图像。

步骤202，将图像特征输入预先训练的热力图回归网络，得到关键点热力图。

在一些实施例中，上述执行主体可以将图像特征输入预先训练的热力图回归网络，得到关键点热力图。其中，热力图回归网络可以用于预测二维热力图，其原理是将关键点的标准(groundTruth)的坐标位置利用二维高斯函数生成热力图(heatmap)，最终取图中激活值最高的位置坐标作为最终关键点坐标。作为示例，热力图回归网络可以包括多个(例如3个)反卷积层和输出层。除此之外，根据需要，热力图网络还可以包括残差块等网络结构。

实践中，热力图回归网络预测的准确性较高，但是无法很好预测关键点之间的关联关系。图3示例性示出了利用热力图回归网络得到的手部关键点检测结果。实践中，为了便于后续利用关键点检测结果进行手势检测等处理，一般会对关键点进行编号。在本示例中，对于食指上的3个关键点依次编号为1-3，中指上的3个关键点依次编号为4-6，如图3中301所示。但是，如图3中302所示，利用热力图回归网络得到的手部关键点检测结果，虽然各个关键点的位置整体上来看比较准确，但是，编号为2和编号为4的关键点的位置发生了变化，如果将关键点按照顺序依次连接的话，可以直观的看到关键点之间的连线发生了明显的变化。而关键点之间的连线可以表示关键点之间的关联关系。如果后续进行手势检测，需要利用关键点之间的关联关系。例如，确定用户是否在“比耶”，需要通过中指和食指关键点的连线之间的相对位置关系来确定。

步骤203，将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合。

在一些实施例中，上述执行主体可以将上述热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合。其中，可以选取任一中间层的输出结果输入坐标回归网络。作为示例，坐标回归网络的网络结构可以包括多个卷积层和池化层、重组(Reshape)层。实践中，可以利用训练样本集，通过一些机器学习的方法预先对初始的坐标回归网络和热力图回归网络进行训练。例如，可以采用反向传播、随机梯度下降的方法对初始的坐标回归网络和热力图回归网络进行训练，在满足训练停止条件的情况下，得到坐标回归网络。其中，可以分别对上述初始的坐标回归网络和热力图回归网络单独进行训练，也可以联合进行训练。

实践中，坐标回归网络预测的准确性较低，但是能够很好预测关键点之间的关联关系。图4示例性示出了利用坐标回归网络得到的手部关键点检测结果。在本示例中，与图3类似的，对于食指上的3个关键点依次编号为1-3，中指上的3个关键点依次编号为4-6，如图中401所示。利用坐标回归网络得到的手部关键点检测结果，如图中402所示，各个关键点的之间的连线并没有发生明显变化，但是一些关键点(例如编号为4的关键点)的位置坐标预测偏移较大。

步骤204，基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。

在一些实施例中，上述执行主体可以基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。作为示例，上述执行主体对关键点热力图进行坐标回归。具体来说，可以首先获取关键点热力图中激活值最高的位置坐标，并与关键点位置信息取均值。在此基础上，可以将得到的均值作为待检测图像对应的关键点位置信息。

本公开的一些实施例提供的方法，通过结合热力图回归网络和坐标回归网络，从而将两种方式的优势进行结合。从而可以同时满足准确率和关键点之间的关联关系的要求。在此过程中，与分别将图像特征输入两个分支网络相比，利用热力图网络的中间层的输出结果进一步进行坐标回归，有助于两个网络的能力的融合，从而更加满足准确率和关键点之间的关联关系的要求。

进一步参考图5，其示出了关键点检测方法的另一些实施例的流程500。该关键点检测方法的流程500，包括以下步骤：

步骤501，对待检测图像进行特征提取，得到图像特征。

在一些实施例中，关键点检测方法运行于其上的执行主体(例如图1所示的服务器)。

步骤502，将图像特征输入预先训练的热力图回归网络，得到关键点热力图。

步骤503，将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合。

在一些实施例中，步骤501-503的具体实现及其所带来的技术效果可以参考图2对应的那些实施例，在此不再赘述。

步骤504，分别将关键点热力图和关键点坐标集合映射至待检测图像，得到包含热力图映射关键点集合和坐标映射关键点集合的目标图像。

在一些实施例中，对于关键点热力图，关键点检测方法的执行主体可以取图中激活值最高的至少一个位置，在此基础上，经过一定的映射得到待检测图像中的热力图映射关键点。对于关键点坐标集合中的每个关键点坐标，可以经过一定的映射得到坐标映射关键点。其中，根据实际需要，映射可以包括矩阵变换、与固定系数相乘等等。可以理解，目标图像是通过将关键点热力图和关键点坐标集合映射至待检测图像的基础上得到的。

步骤505，从目标图像中每个关键点组中选取一个关键点作为目标关键点，得到目标关键点集合，其中，每个关键点组包括相对应的热力图映射关键点和坐标映射关键点。

在一些实施例中，由于热力图映射关键点集合和坐标映射关键点集合都是对于待检测图像中的关键点的预测结果。因此，对于同一个位置(例如大拇指的指尖)，会存在一个热力图映射关键点和一个坐标映射关键点，也就是一个关键点组与之对应。而对应同一位置的关键点组中的两个关键点之间也是互相对应的。对于每个关键点组，可以从中选取一个关键点作为这个位置对应的关键点，也就是目标关键点。由于目标图像存在多个位置，因此存在多个关键点组。因此会得到目标关键点集合。作为示例，可以随机选取一个关键点作为目标关键点。这样从整体上来看，可以实现两个网络的结合。

在一些实施例的一些可选的实现方式中，基于每个关键点组中的两个关键点之间的距离，从关键点组中选取一个关键点作为目标关键点。作为示例，两个关键之间的距离可以是欧氏距离。

作为示例，响应于确定距离小于或等于预设阈值，说明两个网络的预测结果比较相近。也就是说，不管选哪个网络的预测结果，关键点的位置信息都是比较准确的。此时，优先将关键点组中的坐标映射关键点确定为目标关键点，由于坐标映射关键点还可以满足关联关系的要求，因此就可以同时满足准确率和关键点之间的关联关系的双重要求。响应于确定距离大于预设阈值，将关键点组中的热力图映射关键点确定为目标关键点。在这些实现方式中，通过设置阈值来实现关键点的选取，可以进一步兼顾准确率和关键点之间的关联关系的要求。

步骤506，将目标关键点集合中各个目标关键点的位置信息确定为待检测图像对应的关键点位置信息。

在一些实施例的一些可选的实现方式中，热力图回归网络和坐标回归网络是通过以下步骤训练得到的：以第一学习率对于初始热力图回归网络进行训练，直至满足收敛条件，得到中间热力图回归网络；以第二学习率对中间热力图回归网络和初始坐标回归网络进行联合训练，直至满足训练结束条件，得到热力图回归网络和坐标回归网络，其中，第二学习率小于第一学习率。

实践中，由于热力图回归网络对于关键点位置更加敏感，而坐标回归网络对于关键点之间的关联关系更加敏感。因此，二者在训练的过程中的收敛方向是有区别的。基于此，如果直接对两个网络进行训练，相当于同时向两个方向收敛，必然会影响整体的收敛速度和网络的预测结果准确率。

此外，学习率(Learning rate)作为深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。

基于此，在这些实现方式中，可以首先以较大的第一学习率对于初始热力图回归网络进行训练，从而使得热力图回归网络快速收敛，且先学习关键点位置信息。在此基础上，以较小的第二学习率对中间热力图回归网络和初始坐标回归网络进行联合训练，从而可以在找到局部最优解的同时学习关键点之间的关联关系，进而同时满足准确率和关键点之间的关联关系的要求。

与图2对应的一些实施例的描述相比，图5对应的一些实施例中的关键点检测方法的流程500通过从关键点组中选取关键点来得到目标关键点。从整体上来看，必然有部分关键点热力图，也有部分关键点坐标集合，从而可以综合两个网络的优势，进而同时满足准确率和关键点之间的关联关系的要求。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种关键点检测装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的关键点检测装置600包括：提取单元601、热力图生成单元602、坐标生成单元603和位置信息生成单元604。其中，提取单元601被配置成对待检测图像进行特征提取，得到图像特征。热力图生成单元602被配置成将图像特征输入预先训练的热力图回归网络，得到关键点热力图。坐标生成单元603被配置成将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合。位置信息生成单元604被配置成基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。

在一些实施例的可选实现方式中，位置信息生成单元604进一步被配置成：分别将关键点热力图和关键点坐标集合映射至待检测图像，得到包含热力图映射关键点集合和坐标映射关键点集合的目标图像；从目标图像中每个关键点组中选取一个关键点作为目标关键点，得到目标关键点集合，其中，每个关键点组包括相对应的热力图映射关键点和坐标映射关键点；将目标关键点集合中各个目标关键点的位置信息确定为待检测图像对应的关键点位置信息。

在一些实施例的可选实现方式中，位置信息生成单元604进一步被配置成：基于每个关键点组中的两个关键点之间的距离，从关键点组中选取一个关键点作为目标关键点。

在一些实施例的可选实现方式中，位置信息生成单元604进一步被配置成：响应于确定距离小于或等于预设阈值，将关键点组中的热力图映射关键点确定为目标关键点；响应于确定距离大于预设阈值，将关键点组中的坐标映射关键点确定为目标关键点。

在一些实施例的可选实现方式中，热力图回归网络包括多个反卷积层；以及坐标生成单元603被配置成：将多个反卷积层中的最后一个反卷积层的输出结果输入坐标回归网络，得到关键点坐标集合。

在一些实施例的可选实现方式中，热力图回归网络和坐标回归网络是通过以下步骤训练得到的：以第一学习率对于初始热力图回归网络进行训练，直至满足收敛条件，得到中间热力图回归网络；以第二学习率对中间热力图回归网络和初始坐标回归网络进行联合训练，直至满足训练结束条件，得到热力图回归网络和坐标回归网络，其中，第二学习率小于第一学习率。

在一些实施例的可选实现方式中，装置600还包括：检测单元、缩放单元。检测单元被配置成对原始待检测图像进行目标部位检测，得到显示目标部位的图像区域。缩放单元被配置成将图像区域缩放至目标尺寸，得到待检测图像。位置信息生成单元604进一步被配置成：基于关键点热力图和关键点坐标集合，生成原始待检测图像对应的关键点位置信息。

在一些实施例的可选实现方式中，位置信息生成单元604进一步被配置成：分别将关键点热力图和关键点坐标集合映射至原始待检测图像，得到包含热力图映射关键点集合和坐标映射关键点集合的目标图像。

可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待检测图像进行特征提取，得到图像特征；将图像特征输入预先训练的热力图回归网络，得到关键点热力图；将热力图回归网络的中间层的输出结果输入预先训练的坐标回归网络，得到关键点坐标集合；基于关键点热力图和关键点坐标集合，生成待检测图像对应的关键点位置信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、热力图生成单元、坐标生成单元和位置信息生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“对待检测图像进行特征提取的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。