[發(fā)明專利]一種基于深度學習的站立檢測方法

有效

• 申請?zhí)枺?/td>: 201711397963.X
• 申請日: 2017-12-21
• 公開（公告）號: CN108229352B
• 公開（公告）日: 2021-09-07
• 發(fā)明（設計）人: 邵奔馳;姜飛;申瑞民
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;H04N5/14;H04N5/76;H04N7/18
• 代理公司: 上海科盛知識產(chǎn)權代理有限公司 31225
• 代理人: 翁惠瑜

1.一種基于深度學習的站立檢測方法，其特征在于，該方法包括：

1）收集樣本，各所述樣本包括樣本圖片和對應的標注文件，所述標注文件的信息包括站立人員類型，所述站立人員類型包括高年級學生、低年級學生和老師，一至三年級為低年級，四年級及以上的年級劃分為高年級；

2）建立站立檢測模型，該站立檢測模型基于卷積神經(jīng)網(wǎng)絡結構，并基于所述樣本以R-FCN目標檢測算法進行訓練，所述站立檢測模型包括高年級站立檢測模型和低年級站立檢測模型；

3）利用訓練后的站立檢測模型對待測視頻進行站立檢測；

所述建立站立檢測模型具體為：

201）利用所有樣本訓練一基礎站立模型；

202）利用帶有高年級學生標注的樣本和帶有低年級學生標注的樣本分別在所述基礎站立模型的基礎上進行進一步訓練，獲得高年級站立檢測模型和低年級站立檢測模型。

2.根據(jù)權利要求1所述的基于深度學習的站立檢測方法，其特征在于，該方法還包括步驟：

4）根據(jù)前一幀的站立檢測結果和當前的站立檢測結果進行站立的跟蹤。

3.根據(jù)權利要求2所述的基于深度學習的站立檢測方法，其特征在于，所述跟蹤具體為：

401）獲取第一個圖像幀及檢測到的站立框坐標，各站立框?qū)⒂幸籺racklet數(shù)組，且狀態(tài)初始化為ALIVE；

402）獲取下一個圖像幀，判斷鏡頭是否發(fā)生變換，若是，則將所有tracklet數(shù)組的狀態(tài)改為DEAD，重新建立新的tracklet數(shù)組，返回步驟402），若否，則執(zhí)行步驟403）；

403）遍歷當前圖像幀檢測到的所有站立框，利用跟蹤算法為每一站立框選擇最佳匹配的一個tracklet數(shù)組；

404）對于在當前圖像幀下未被匹配的tracklet數(shù)組，判斷其狀態(tài)是否為ALIVE，若是，則狀態(tài)修改為WAIT，若否，則狀態(tài)修改為DEAD，返回步驟402），直至處理完成所有圖像幀。

4.根據(jù)權利要求3所述的基于深度學習的站立檢測方法，其特征在于，所述判斷鏡頭是否發(fā)生變換具體為：

獲取相鄰兩個圖像幀，判斷兩個圖像幀之間灰度值的差值是否大于第一閾值，若是，則判定兩個圖像幀的像素點發(fā)生變化；

判斷像素點發(fā)生變化的兩個圖像幀間變化的像素點個數(shù)占總像素點的比例是否大于第二閾值，若是，則判定為發(fā)生鏡頭視角變換，若否，則未發(fā)生鏡頭視角變換。

5.根據(jù)權利要求3所述的基于深度學習的站立檢測方法，其特征在于，所述選擇最佳匹配的一個tracklet數(shù)組具體為：

選擇與站立框最近的一個tracklet，計算該tracklet的邊框與所述站立框的之間寬度差與長度差之和，當和小于站立框?qū)挾鹊娜种唬襱racklet的邊框與所述站立框重合度大于0.3時，判斷所述站立框與該tracklet最佳匹配。

6.根據(jù)權利要求2所述的基于深度學習的站立檢測方法，其特征在于，該方法還包括步驟：

5）對跟蹤獲得的站立次數(shù)進行計數(shù)。