姿势检测方法、装置、设备及存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种姿势检测方法、装置、设备及存储介质。

背景技术：

随着图像采集设备的不断发展，图像采集设备的应用越来越广泛，如可以通过图像采集设备对不同的场景进行监控，获取到对应的图像等。并且，获取到图像后，还可以通过对图像进行分析，获取有用信息。

通常情况下，图像中出现的人物的一些特定姿势能够有效的表示人物的情绪、心情、态度等信息。如人物作出的点赞手势、666手势等，都能表示一种积极高兴的情绪。因此，如果能够检测到图像中出现的特定姿势，则对分析人物情绪等有很重要的作用。

因此，如何检测图像中出现的姿势，成为一个亟待解决的问题。

技术实现要素：

为克服相关技术中存在的问题，本申请提供一种姿势检测方法、装置、设备及存储介质。

根据本申请实施例的第一方面，提供一种姿势检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述检测模型的训练过程包括：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第一预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述根据所述正样本图像和所述负样本图像，训练得到检测模型之后，所述方法还包括：

在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述得到检测模型之后，所述方法还包括：

识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

根据本申请实施例的第二方面，提供一种姿势检测装置，所述装置包括：

待检测图像获取单元，被配置为执行获取待检测图像；

检测单元，被配置为执行将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述装置还包括：

样本图像获取单元，被配置为执行获取已标注预设姿势类别的正样本图像；

基础姿势分类模型训练单元，被配置为执行根据所述正样本图像，训练得到基础姿势分类模型；

确定单元，被配置为执行基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

检测模型训练单元，被配置为执行根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述确定单元包括：

获取子单元，被配置为执行获取基础图像；

选取子单元，被配置为执行在所述基础图像中选取各子图像；

执行子单元，被配置为执行将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

确定子单元，被配置为执行将置信度最高的第一预设数量的子图像作为负样本图像。

可选的，所述获取子单元，具体被配置为执行将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述选取子单元，具体被配置为执行：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述装置还包括：

选取单元，被配置为执行在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

输入单元，被配置为执行将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

执行单元，将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

更新单元，被配置为执行在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述装置还包括：

识别单元，被配置为执行识别所述检测模型的误检率；

处理单元，被配置为当所述误检率大于预设概率阈值时，触发所述选取单元，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述检测单元包括：

执行子单元，被配置为执行将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

确定子单元，被配置为执行将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

根据本申请实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述处理器还被配置为：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述处理器还被配置为：

在根据所述正样本图像和所述负样本图像，训练得到检测模型之后，在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述处理器还被配置为：

在得到检测模型之后，识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

根据本申请实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行一种姿势检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述检测模型的训练过程包括：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述根据所述正样本图像和所述负样本图像，训练得到检测模型之后，所述方法还包括：

在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述得到检测模型之后，所述方法还包括：

识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

根据本申请实施例的第五方面，提供一种应用程序，当所述应用程序由电子设备的处理器执行时，使得所述电子设备能够执行一种姿势检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述检测模型的训练过程包括：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述根据所述正样本图像和所述负样本图像，训练得到检测模型之后，所述方法还包括：

在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述得到检测模型之后，所述方法还包括：

识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

根据本申请实施例的第六方面，提供一种计算机程序产品，当所述计算机程序产品由电子设备的处理器执行时，使得所述电子设备能够执行一种姿势检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述检测模型的训练过程包括：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述根据所述正样本图像和所述负样本图像，训练得到检测模型之后，所述方法还包括：

在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述得到检测模型之后，所述方法还包括：

识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

本申请的实施例提供的技术方案可以包括以下有益效果：本申请实施例中，可以预先根据正样本图像和负样本图像训练得到检测模型，在进行姿势检测时，即可通过检测模型实现待检测图像中预设姿势的检测。并且，在训练检测模型时，同时使用了正样本图像和负样本图像，提高了训练数据的多样性和丰富性，进而能够提高检测模型进行姿势检测时的准确性。另外，本申请中使用的负样本图像，不需要人工标注，减少了人工工作量，提高了模型训练效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的一种姿势检测方法的流程图；

图2为本申请实施例的检测模型训练过程的流程图；

图3为手势类别示意图；

图4为误识别的手势类别示意图；

图5为本申请实施例的一种姿势检测方法的另一流程图；

图6为本申请实施例的一种姿势检测装置的结构示意图；

图7为本申请实施例的一种姿势检测装置的另一结构示意图；

图8为本申请实施例的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下通过具体实施例，对本申请进行详细说明。

请参考图1，其示出了本申请实施例的姿势检测方法流程，该方法可以包括以下步骤：

s101，获取待检测图像；

本申请实施例提供的姿势检测方法可以应用于任意具有图像处理功能的电子设备，如台式计算机、便携式计算机、智能移动终端、服务器等，本申请实施例对此不做限定。

待检测图像即为待检测包含何种姿势的图像。例如，用户可以将待检测图像输入电子设备中，电子设备即可将接收到的图像作为待检测图像。

s102，将待检测图像输入预先训练得到的检测模型，检测待检测图像中的姿势类别；其中，该检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于该基础姿势分类模型确定负样本图像后，根据该正样本图像和该负样本图像训练得到的；上述负样本图像中不包含预设姿势类别的姿势。

本申请实施例中，为了检测图像中出现的特定姿势，电子设备可以首先基于大量的样本图像训练得到检测模型，进而可以通过检测模型对图像进行检测，确定其中包含的姿势类别。

上述检测模型例如可以为卷积神经网络模型，卷积神经网络是一种前馈神经网络，卷积神经网络中的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络一般由卷积层、池化层、非线性层和全连接层等网络层组成。当然，本实施例中的检测模型还可以为全卷积神经网络模型，即不包含全连接层的卷积神经网络，本申请实施例不对检测模型的类型和/或结构作限定。

具体的，电子设备可以首先根据正样本图像，即包含预设类别姿势的样本图像，训练得到基础姿势分类模型。并且，为了提高检测模型的准确性，电子设备还可以确定负样本图像，即不包括预设类别姿势的图像。例如，电子设备可以接收用户输入的不包含人物的图像，进而，将各负样本图像输入基础姿势分类模型中，基础姿势分类模型即可输出各负样本图像对应的各类别姿势的置信度。其中，置信度较高的图像即为容易被误识别的图像。因此，电子设备可以将置信度高于设定阈值(如20％、25％、30％等)的图像作为负样本图像。获取到正样本图像和负样本图像后，电子设备可以根据正样本图像和负样本图像，训练得到检测模型。

在进行姿势检测时，电子设备可以将待检测图像输入检测模型，检测模型即可检测待检测图像中的姿势类别。例如，检测模型可以输出待检测图像对应的各类别姿势对应的置信度；进而电子设备可以将置信度高于预设阈值的姿势类别确定为待检测图像中的姿势类别。

本申请实施例中，可以预先根据正样本图像和负样本图像训练得到检测模型，在进行姿势检测时，即可通过检测模型实现待检测图像中预设姿势的检测。并且，在训练检测模型时，同时使用了正样本图像和负样本图像，提高了训练数据的多样性和丰富性，进而能够提高检测模型进行姿势检测时的准确性。另外，本申请中使用的负样本图像，不需要人工标注，减少了人工工作量，提高了模型训练效率。

作为本申请实施例的一种实施方式，如图2所示，电子设备训练检测模型的过程可以包括以下步骤：

s201，获取已标注预设姿势类别的正样本图像；

在本申请实施例中，电子设备可以获取正样本图像，也即包含预设类别姿势的样本图像。如，电子设备可以接收用户输入的图像，作为正样本图像；或者，可以将预设存储位置存储的图像作为正样本图像。

其中，正样本图像可以由人工进行标注，标注每个图像中包含的预设姿势类别，也即对图像进行姿势检测时，待检测的姿势类别。上述预设姿势类别可以针对不同的应用场景进行设定。如，针对待检测姿势类别为手势类别的场景，上述预设姿势类别可以包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势等。

上述手势类别具体可以为：

1.five：五手势，五指张开；

2.heart：单手比心手势；

3.great：大拇指翘起；

4.666：六手势；

5.lift：托举手势；

6.victory：剪刀手手势；

7.pointer：食指指向手势；

8.heart2：双手比心手势；

9.ok：ok手势；

10.fist：握拳手势；

11.eight：八手势；

示例性的，如图3所示，图中分别示出了“666”手势、“ok”手势、“fist”手势的示意图。

s202，根据正样本图像，训练得到基础姿势分类模型；

获取到正样本图像后，电子设备可以根据正样本图像，训练得到基础姿势分类模型。例如，电子设备可以利用正样本图像对预设的神经网络模型进行训练，得到符合预设条件的基础姿势分类模型。

上述预设条件例如可以包括：将正样本图像输入训练得到的神经网络模型后，该神经网络模型识别出的姿势类别，和对应正样本图像中标注的姿势类别相同。

具体的基础姿势分类模型的训练过程，如可以采用已知的任一种方法对预设的神经网络模型进行训练，本申请实施例对此不做限定。训练基础姿势分类模型时，可以在已有的深度学习网络平台上进行，也可以通过搭建的程序框架实现，这里不做限定。

训练得到的基础姿势分类模型，当输入包含预设类别姿势的待检测图像后，即可准确的输出该待检测图像中包含各类别姿势的置信度，也即包含各类别姿势的概率(0-1)。任一类别姿势对应的概率越大，表明待检测图像中包含该类别姿势的可能性越高。

s203，基于基础姿势分类模型，确定负样本图像；其中，该负样本图像中不包含预设姿势类别的姿势；

可以理解，基于正样本图像训练得到的基础姿势分类模型，其识别包含预设类别姿势的图像的准确性较高。但是，对于不包含预设类别姿势的图像，其识别准确性较差。

请参考图4，其示出了几种误识别的示意图。如图3中所示，可能将抱手姿势误检测为“lift”手势，或者将图像中的物件误检测为“lift”手势或“pointer”手势。

在本申请实施例中，为了提高姿势检测的准确性，电子设备可以基于正样本图像和负样本图像，训练得到检测模型。以通过检测模型对包含或不包含预设类别姿势的图像均能进行准确的姿势检测。

例如，电子设备可以接收用户输入的不包含人物的图像，进而，将各负样本图像输入基础姿势分类模型中，基础姿势分类模型即可输出各负样本图像对应的各类别姿势的置信度。其中，置信度较高的图像即为容易被误识别的图像。因此，电子设备可以将置信度高于设定阈值(如20％、25％、30％等)的图像作为负样本图像。

s204，根据正样本图像和负样本图像，训练得到检测模型。

获取到正样本图像和负样本图像后，电子设备可以根据正样本图像和负样本图像，训练得到检测模型。例如，电子设备可以利用正样本图像和负样本图像对预设的神经网络模型进行训练，得到符合预设条件的检测模型。

上述预设条件例如可以包括：将正样本图像输入训练得到的神经网络模型后，该神经网络模型识别出的姿势类别，和对应正样本图像中标注的姿势类别相同；将负样本图像输入训练得到的神经网络模型后，该神经网络模型识别出的姿势类别的置信度，低于设定阈值。

具体的检测模型的训练过程，如可以采用已知的任一种方法对预设的神经网络模型进行训练，本申请实施例对此不做限定。训练检测模型时，可以在已有的深度学习网络平台上进行，也可以通过搭建的程序框架实现，这里不做限定。

本申请实施例中，可以根据正样本图像和负样本图像训练得到检测模型，即可通过检测模型实现图像中预设姿势的检测。并且，在训练检测模型时，同时使用了正样本图像和负样本图像，提高了训练数据的多样性和丰富性，进而能够提高检测模型进行姿势检测时的准确性。另外，本申请中使用的负样本图像，不需要人工标注，减少了人工工作量，提高了模型训练效率。

可以理解，在根据正样本图像和负样本图像训练检测模型时，负样本图像的选择至关重要。如，负样本图像的数量、大小将影响检测模型训练的时长；负样本图像的质量将影响检测模型的准确性。

作为本申请实施例的一种实施方式，如图5所示，电子设备确定负样本图像的过程可以包括：

s501，获取基础图像；

在本申请实施例中，电子设备可以首先获取基础图像，以根据基础图像确定负样本图像。如，电子设备可以将用户输入的任意图像作为基础图像。

s502，在基础图像中选取各子图像；

在本申请实施例中，为了提高检测模型训练的效率，电子设备可以使用尺寸较小的图像作为负样本图像。具体的，电子设备可以在基础图像中选取各子图像，进而在子图像中确定负样本图像。

例如，电子设备可以根据预先设定的子图像尺寸，在基础图像中选取该尺寸大小的子区域，作为各子图像。

s503，将各子图像输入基础姿势分类模型，得到各子图像中包含预设姿势类别的姿势的置信度；

可以理解，对于不包含预设类别姿势的图像，有些图像容易被误检测为包含预设类别姿势，有些图像不容易被误检测为包含预设类别姿势。并且，当使用容易被误检测为包含预设类别姿势的图像来训练检测模型后，该检测模型将有较高的姿势检测准确性。

在本申请实施例中，得到各子图像后，电子设备可以将各子图像输入基础姿势分类模型中，基础姿势分类模型即可输出各子图像对应的各类别姿势的置信度。

s504，将置信度最高的第一预设数量的子图像作为负样本图像。

将置信度最高的第一预设数量的子图像作为负样本图像，也即将最容易被误识别的子图像作为负样本图像。例如，电子设备可以将各子图像按置信度从高到低的顺序进行排序，之后选取排在最前面的第一预设数量的子图像，作为负样本图像。上述第一预设数量可以根据实际情况设定，本申请实施例对此不做限定。

本申请实施例中，可以通过在基础图像中选取子图像来确定负样本图像，如此，可以使用尺寸较小的负样本图像来训练检测模型，提高检测模型训练的效率。

作为本申请实施例的一种实施方式，电子设备在获取基础图像时，可以直接将正样本图像作为基础图像。如此，可以使用较少数量的图像来训练检测模型，减少使用图像的数量，增加用户体验。

相应的，电子设备使用正样本图像训练基础姿势分类模型时，可以标注出预设类别的姿势所在的标注区域。如，可以使用矩形框来示出标注区域。电子设备在基础图像中选取各子图像时，可以在基础图像中确定任意两个坐标点，并确定两个坐标点所确定的子区域；当两个坐标点所确定的子区域与基础图像中的标注区域符合预设条件时，将子区域确定为子图像。

其中，上述预设条件可以包括：两个坐标点所确定的子区域与基础图像中的标注区域的iou(intersectionoverunion，交并比)较小。也即两个坐标点所确定的子区域与基础图像中的标注区域的交集区域的面积大小，除以两个坐标点所确定的子区域与基础图像中的标注区域的并集区域的面积大小的值小于预设阈值(如0.02、0.03、0.05等)。

当子区域与标注区域的iou较小时，可以保证该子区域中不包含完整的预设类型姿势，将该子区域确定为子图像，能够提高负样本图像的质量，进而提高检测模型的准确性。

在上述实施例的基础上，作为本申请实施例的一种实施方式，为了进一步提高检测模型的准确性，电子设备可以对训练得到的检测模型进行更新。使用较多数量的负样本图像来训练检测模型。如，电子设备选取的负样本图像的数量与正样本图像的数量的比值可以大于预设比例阈值(如3、5、8等)。

具体的，电子设备可以在基础图像中选取各目标子图像，目标子图像的数量大于子图像的数量；将各目标子图像输入检测模型，得到各目标子图像中包含预设姿势类别的姿势的置信度；将置信度最高的第二预设数量的目标子图像作为目标负样本图像；第二预设数量大于第一预设数量；在目标负样本图像中，依次选取与正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及正样本图像进行迭代训练，得到更新后的检测模型。

本实施例中的抽样方法可以在保证各类样本图像数量平衡的前提下，增加负样本图像的复杂性和多样性。复杂性表现为所有负样本图像均为最容易被误检测的图像，多样性表现为检测模型每一次迭代所使用的负样本图像均不相同且有很大的变化。如此，能够提高检测模型的准确性。

作为本申请实施例的一种实施方式，得到检测模型之后，电子设备还可以识别检测模型的误检率；当误检率大于预设概率阈值时，重复在基础图像中选取各目标子图像的步骤，也即重新进行检测模型的更新，直到误检率不大于预设概率阈值。通过不断的对检测模型进行更新，能够保证检测模型的误检率较低。

下面结合一个具体的实施例，对上述检测模型的训练过程进行详细说明。

一、首先，基于大量人工标注的手势数据，即正样本图像(包含11类手势，与步骤s101中所述的手势类别相同)，通过传统手势分类模型训练出一个基础分类器。此分类器可以接收图片输入，输出图片中手势属于上述各手势的分类概率(0到1)。此基础模型对于正常手势识别准确率较高，但是对于其他输入(例如没有手势出现)，分类效果较差。

二、基于包含11类手势的基础模型，新增背景类，即负样本图像，将所有不属于11类基础手势的类别统统归为背景类。背景类训练数据通过动态采样方法得到。具体方法如下：

1、根据原有经过人工标注的数据，进行随机采样，即在原图中随机生成两个坐标(x0,y0)和(x1,y1),两个坐标可以唯一确定一张子图片；

2、计算所得子图片与原图片中所有标注区域的iou，若iou均小于0.05则视为有效采样，进入下一步，否则返回步骤1；

3、将所得坐标作为标注数据，以背景类存入标注数据中。

利用此方法采样得到100万个随机采样得到的背景类负样本。其中绝大多数对模型其实没有有益的影响，所以将所得一百万负样本使用基础分类模型进行分类，按照所得置信概率进行降序排序，选取其中前两万数据，即最容易被误分类的两万负样本。使用所得两万负样本加所有手势数据训练出一个包含十一类手势类别加背景类的进阶分类器。进阶分类器对手势的分类正确率有很大提升，但是存在的问题为背景数据过于单一，虽可将大部分不属于手势的图片正确分类为背景，但是对于少数特殊情况分类结果较差。

三、再次使用步骤二中的动态采样方法，对原始数据进行采样，此次采样数量为500万张，使用进阶分类器将这500万负样本进行分类，并按照背景类的置信概率升序排序，挑选其中前20万负样本，即得到所有最易被误分类的负样本数据。经过动态采集的20万负样本数量远大于各类手势样本数量，所以在训练最终模型时，再每一次迭代时随机从所有负样本中抽取与各类手势相等的数量进行训练，得到最终分类模型。

此抽样方法可以在保证各类训练数据数量平衡的前提下，增加背景类负样本的复杂性和多样性。复杂性表现为所有训练数据均为最容易被误分类的数据，多样性表现为模型每一次迭代所使用的训练数据均不相同且有很大的变化。经过测试由此方法得到的模型分类准确率以及稳定性均有较大提升，并且整个过程为非监督式，无需任何人工标注。

若模型效果不佳，可以迭代的重复步骤三，直到模型分类准确性和稳定性达到预期。

相应的，本申请实施例还提供了一种姿势检测装置，图6是根据一示例性实施例示出的一种姿势检测装置框图。参照图6，该装置包括：待检测图像获取单元610和检测单元620。

待检测图像获取单元610，被配置为执行获取待检测图像；

检测单元620，被配置为执行将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

本申请实施例中，可以预先根据正样本图像和负样本图像训练得到检测模型，在进行姿势检测时，即可通过检测模型实现待检测图像中预设姿势的检测。并且，在训练检测模型时，同时使用了正样本图像和负样本图像，提高了训练数据的多样性和丰富性，进而能够提高检测模型进行姿势检测时的准确性。另外，本申请中使用的负样本图像，不需要人工标注，减少了人工工作量，提高了模型训练效率。

可选的，如图7所示，上述姿势检测装置还包括：样本图像获取单元710、基础姿势分类模型训练单元720、确定单元730和检测模型训练单元740。

样本图像获取单元710，被配置为执行获取已标注预设姿势类别的正样本图像；

基础姿势分类模型训练单元720，被配置为执行根据所述正样本图像，训练得到基础姿势分类模型；

确定单元730，被配置为执行基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

检测模型训练单元740，被配置为执行根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，确定单元730包括：

获取子单元，被配置为执行获取基础图像；

选取子单元，被配置为执行在基础图像中选取各子图像；

执行子单元，被配置为执行将各子图像输入基础姿势分类模型，得到各子图像中包含预设姿势类别的姿势的置信度；

确定子单元，被配置为执行将置信度最高的第一预设数量的子图像作为负样本图像。

可选的，获取子单元，具体被配置为执行将正样本图像作为基础图像。

可选的，正样本图像中包括预设姿势类别的姿势所在的标注区域，选取子单元，具体被配置为执行：

在基础图像中确定任意两个坐标点，并确定两个坐标点所确定的子区域；

当两个坐标点所确定的子区域与基础图像中的标注区域符合预设条件时，将子区域确定为子图像。

可选的，预设条件包括：两个坐标点所确定的子区域与基础图像中的标注区域的交集区域的面积大小，除以两个坐标点所确定的子区域与基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，装置还包括：

选取单元，被配置为执行在基础图像中选取各目标子图像，目标子图像的数量大于子图像的数量；

输入单元，被配置为执行将各目标子图像输入检测模型，得到各目标子图像中包含预设姿势类别的姿势的置信度；

执行单元，将置信度最高的第二预设数量的目标子图像作为目标负样本图像；第二预设数量大于第一预设数量；

更新单元，被配置为执行在目标负样本图像中，依次选取与正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及正样本图像进行迭代训练，得到更新后的检测模型。

可选的，装置还包括：

识别单元，被配置为执行识别检测模型的误检率；

处理单元，被配置为当误检率大于预设概率阈值时，触发选取单元，直到误检率不大于预设概率阈值。

可选的，预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，检测单元620包括：

执行子单元，被配置为执行将待检测图像输入预先训练得到的检测模型，得到检测模型输出的各类别姿势对应的置信度；

确定子单元，被配置为执行将置信度高于预设阈值的姿势类别确定为待检测图像中的姿势类别。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

相应的，本申请实施例还提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待检测图像；

将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别；其中，所述检测模型为根据已标注预设姿势类别的正样本图像训练得到基础姿势分类模型，并基于所述基础姿势分类模型确定负样本图像后，根据所述正样本图像和所述负样本图像训练得到的；所述负样本图像中不包含所述预设姿势类别的姿势。

可选的，所述处理器还被配置为：

获取已标注预设姿势类别的正样本图像；

根据所述正样本图像，训练得到基础姿势分类模型；

基于所述基础姿势分类模型，确定负样本图像；其中，所述负样本图像中不包含所述预设姿势类别的姿势；

根据所述正样本图像和所述负样本图像，训练得到检测模型。

可选的，所述基于所述基础姿势分类模型，确定负样本图像包括：

获取基础图像；

在所述基础图像中选取各子图像；

将所述各子图像输入所述基础姿势分类模型，得到所述各子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的预设数量的子图像作为负样本图像。

可选的，所述获取基础图像包括：

将所述正样本图像作为基础图像。

可选的，所述正样本图像中包括所述预设姿势类别的姿势所在的标注区域，所述在所述基础图像中选取各子图像包括：

在所述基础图像中确定任意两个坐标点，并确定所述两个坐标点所确定的子区域；

当所述两个坐标点所确定的子区域与所述基础图像中的标注区域符合预设条件时，将所述子区域确定为子图像。

可选的，所述预设条件包括：所述两个坐标点所确定的子区域与所述基础图像中的标注区域的交集区域的面积大小，除以所述两个坐标点所确定的子区域与所述基础图像中的标注区域的并集区域的面积大小的值小于预设阈值。

可选的，所述处理器还被配置为：

在根据所述正样本图像和所述负样本图像，训练得到检测模型之后，在所述基础图像中选取各目标子图像，所述目标子图像的数量大于所述子图像的数量；

将所述各目标子图像输入所述检测模型，得到所述各目标子图像中包含所述预设姿势类别的姿势的置信度；

将置信度最高的第二预设数量的目标子图像作为目标负样本图像；所述第二预设数量大于所述第一预设数量；

在所述目标负样本图像中，依次选取与所述正样本图像数量相同的目标负样本图像，并根据所选取的目标负样本图像以及所述正样本图像进行迭代训练，得到更新后的检测模型。

可选的，所述处理器还被配置为：

在得到检测模型之后，识别所述检测模型的误检率；

当所述误检率大于预设概率阈值时，重复执行所述在所述基础图像中选取各目标子图像的步骤，直到所述误检率不大于预设概率阈值。

可选的，所述预设姿势类别包括：五手势、单手比心手势、竖大拇指手势、六手势、托举手势、剪刀手手势、食指指向手势、双手比心手势、ok手势、握拳手势、或八手势。

可选的，所述将所述待检测图像输入预先训练得到的检测模型，检测所述待检测图像中的姿势类别包括：

将所述待检测图像输入预先训练得到的检测模型，得到所述检测模型输出的各类别姿势对应的置信度；

将置信度高于预设阈值的姿势类别确定为所述待检测图像中的姿势类别。

图8是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述姿势检测方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序，当该应用程序由电子设备的处理器执行时，使得所述电子设备能够执行上述姿势检测方法，以获取相同的技术效果。

在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品由电子设备的处理器执行时，使得所述电子设备能够执行上述姿势检测方法，以获取相同的技术效果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。