[發明專利]一種基于視頻圖像的人體目標檢測方法及系統

在審

• 申請號: 201911028281.0
• 申請日: 2019-10-28
• 公開（公告）號: CN110781964A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 黨建武;金靜;王松;王陽萍;張振海;雍玖;楊景玉;閔永智;林俊亭;岳彪
• 申請（專利權）人: 蘭州交通大學;蘭州博才科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 11569 北京高沃律師事務所
• 代理人: 劉鳳玲

本發明公開一種基于視頻圖像的人體目標檢測方法及系統。該方法包括：獲取帶有標注信息的視頻圖像人體目標數據集；采用遷移學習算法，提取TINY YOLOv3模型的部分網絡層，得到預訓練模型；采用帶有標注信息的視頻圖像人體目標數據集和預訓練模型，對TINY YOLOv3模型進行訓練，得到訓練好的人體目標檢測模型；將人體目標檢測模型部署至樹莓派設備；獲取待檢測的視頻圖像；將待檢測的視頻圖像輸入至樹莓派設備中的人體目標檢測模型，對待檢測的視頻圖像中的人體目標進行檢測。本發明可以改善嵌入式設備在視頻圖像人體目標檢測中出現的漏檢、誤檢、遮擋等現象，提高行人目標檢測的位置精度，滿足實時性的要求。

技術領域

本發明涉及圖像處理領域，特別是涉及一種基于視頻圖像的人體目標檢測方法及系統。

背景技術

傳統的目標檢測方法包括三個步驟：區域選擇、特征提取和分類回歸。基于深度學習的目標檢測方法改善了傳統檢測算法的適應性不高、對背景模型的更新要求高、提取特征魯棒性差和檢測的實時性差等缺點，使檢測模型在精度和速度方面都有了極大的提升。但是，現有的檢測方法集成于嵌入式設備進行視頻圖像人體目標檢測時，會出現漏檢、誤檢、遮擋等現象，導致檢測結果準確度低。

發明內容

本發明的目的是提供一種基于視頻圖像的人體目標檢測方法及系統，以提高人體目標檢測的準確度。

為實現上述目的，本發明提供了如下方案：

一種基于視頻圖像的人體目標檢測方法，包括：

獲取帶有標注信息的視頻圖像人體目標數據集；

采用遷移學習算法，提取TINY YOLOv3模型的部分網絡層，得到預訓練模型；

采用所述帶有標注信息的視頻圖像人體目標數據集和所述預訓練模型，對所述TINY YOLOv3模型進行訓練，得到訓練好的人體目標檢測模型；

將所述人體目標檢測模型部署至樹莓派設備；

獲取待檢測的視頻圖像；

將所述待檢測的視頻圖像輸入至所述樹莓派設備中的所述人體目標檢測模型，對所述待檢測的視頻圖像中的人體目標進行檢測。

可選的，所述獲取帶有標注信息的視頻圖像人體目標數據集，具體包括：

在PASCAL VOC標準目標檢測數據集中選取多張包含人體目標的圖片，得到第一數據集；

從網上抓取多張包含人體目標的圖片，采用LabelImg軟件進行手動標注對所述包含人體目標的圖片進行補充，得到第二數據集；

將所述第一數據集和所述第二數據集合并，得到所述帶有標注信息的視頻圖像人體目標數據集。

可選的，所述采用遷移學習算法，提取TINY YOLOv3模型的部分網絡層，得到預訓練模型，之前還包括：

對所述TINY YOLOv3模型的先驗檢測框進行重新測算，使用K-Means聚類算法生成適用于人體目標檢測的多組先驗檢測框。

可選的，所述將所述人體目標檢測模型部署至樹莓派設備，具體包括：

將darknet框架支持的所述人體目標檢測模型轉換為Tensorflow框架支持的.pb模型；

將所述.pb模型轉化為Movidius框架支持的IR模型；

將所述IR模型部署至樹莓派設備。

可選的，還包括：

在將所述待檢測的視頻圖像輸入至所述樹莓派設備中的所述人體目標檢測模型，對所述待檢測的視頻圖像中的人體目標進行檢測過程中，使用Intel Movidius神經計算棒對檢測過程進行加速。