[發(fā)明專(zhuān)利]基于有限范圍場(chǎng)景內(nèi)的目標(biāo)人群跟蹤監(jiān)控方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011005357.0
• 申請(qǐng)日: 2020-09-22
• 公開(kāi)（公告）號(hào): CN112200021B
• 公開(kāi)（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 張立國(guó);劉博;金梅;李楓;孫勝春;張少闊;張子豪;郎夢(mèng)園;張勇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 燕山大學(xué)
• 主分類(lèi)號(hào): G06V10/774
• 分類(lèi)號(hào): G06V10/774;G06V10/74;G06V40/16;G06V40/10;G06V20/52;G06K9/62;G06T7/246
• 代理公司: 北京孚睿灣知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11474
• 代理人: 孫建

本發(fā)明公開(kāi)了一種基于有限范圍場(chǎng)景內(nèi)的目標(biāo)人群跟蹤監(jiān)控方法，其包括：S1：基于有限視野范圍，設(shè)計(jì)實(shí)現(xiàn)整套相機(jī)安放采集裝置，以適應(yīng)目標(biāo)人群活動(dòng)場(chǎng)景及視野全覆蓋的需要；S2：依據(jù)目標(biāo)人群的體型及臉型比例修改檢測(cè)網(wǎng)絡(luò)模型的錨框大小及比例，修改檢測(cè)網(wǎng)絡(luò)的損失函數(shù)，以提高檢測(cè)的準(zhǔn)確性；S3：檢測(cè)人臉的同時(shí)對(duì)人臉采用具體的識(shí)別網(wǎng)絡(luò)進(jìn)行識(shí)別，使檢測(cè)網(wǎng)絡(luò)與人臉識(shí)別網(wǎng)絡(luò)同時(shí)使用的情形下，既能提高檢測(cè)識(shí)別精度，又不降低速度；S4：改進(jìn)多目標(biāo)跟蹤監(jiān)控模型，通過(guò)具體特征的提取以及具體場(chǎng)景的剪枝提高在目標(biāo)人群跟蹤監(jiān)控的模型適應(yīng)性。本設(shè)計(jì)方案在目標(biāo)人群看護(hù)與預(yù)防意外的視覺(jué)方案中，實(shí)現(xiàn)了無(wú)漏、實(shí)時(shí)的同時(shí)，提高了監(jiān)控的準(zhǔn)確性及定位的速度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于有限范圍場(chǎng)景內(nèi)的目標(biāo)人群跟蹤監(jiān)控方法，屬于目標(biāo)識(shí)別跟蹤監(jiān)控領(lǐng)域。

背景技術(shù)

人工智能技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得的突破性進(jìn)展，使得人工智能迎來(lái)一輪爆發(fā)，而深度學(xué)習(xí)是實(shí)現(xiàn)這些突破性進(jìn)展的關(guān)鍵技術(shù)。其中，基于深度卷積網(wǎng)絡(luò)的圖像分類(lèi)和識(shí)別技術(shù)已超過(guò)人眼的準(zhǔn)確率，基于深度神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)已達(dá)到95％的準(zhǔn)確率。在一些如托兒所、養(yǎng)老院、醫(yī)院、療養(yǎng)院等有限場(chǎng)景范圍內(nèi)，目標(biāo)人群需要實(shí)時(shí)監(jiān)控和援助，而在現(xiàn)有的技術(shù)條件下，存在援助不及時(shí)和不易定位目標(biāo)人群的位置等缺陷，所以將深度學(xué)習(xí)的檢測(cè)與跟蹤監(jiān)控技術(shù)應(yīng)用于目標(biāo)人群的重識(shí)別及跟蹤監(jiān)控勢(shì)在必行。應(yīng)用本發(fā)明方法，可以明顯提高在目標(biāo)人群防跌、跟蹤監(jiān)控、監(jiān)護(hù)領(lǐng)域檢測(cè)的快速性，大幅提高識(shí)別的準(zhǔn)確性，在有限范圍場(chǎng)景的融合可以進(jìn)一步拓展算法在遮擋等情況下的使用，從而更加突出的提高目標(biāo)人群監(jiān)控識(shí)別及防跌的能力。

壓縮和擴(kuò)張Squeeze-and-ExcitationNetworks是Momenta胡杰團(tuán)隊(duì)(WMW)提出的新的網(wǎng)絡(luò)結(jié)構(gòu)。這種結(jié)構(gòu)雖然能夠有效的提取有用的特征信息和抑制無(wú)效信息，但其模型復(fù)雜度較高，不利于實(shí)時(shí)的場(chǎng)景應(yīng)用。

目標(biāo)檢測(cè)的方法包括單步one-stage方法和多步two-stage方法。one-stage方法包括檢測(cè)網(wǎng)絡(luò)YOLO系列及檢測(cè)網(wǎng)絡(luò)SSD系列，雖然速度較快，但是精度略低。其中多步two-stage方法包括RCNN系列，如RCNN、FastRCNN、DenseNet，由于前向傳播經(jīng)過(guò)了兩個(gè)階段，所以其預(yù)測(cè)的實(shí)時(shí)性較低。

人臉識(shí)別網(wǎng)絡(luò)FaceNet直接學(xué)習(xí)圖像到歐式空間上點(diǎn)的映射，兩張圖像所對(duì)應(yīng)的特征的歐式空間上的點(diǎn)的距離也就直接對(duì)應(yīng)著兩個(gè)圖像是否相似。

多目標(biāo)跟蹤監(jiān)控MOT網(wǎng)絡(luò)DeepSort是在Sort目標(biāo)跟蹤監(jiān)控基礎(chǔ)上的改進(jìn)。在做實(shí)時(shí)目標(biāo)追蹤的過(guò)程中，提取目標(biāo)的表觀(guān)特征進(jìn)行最近鄰匹配，可以顯著提升防遮擋效果。但是其所采用的數(shù)據(jù)關(guān)聯(lián)方法是簡(jiǎn)單的二部圖進(jìn)行關(guān)聯(lián)，不能夠很好的串其所有的檢測(cè)框，容易出現(xiàn)跟蹤監(jiān)控軌跡混串的情況。

發(fā)明內(nèi)容

本發(fā)明的目的是通過(guò)對(duì)已有目標(biāo)檢測(cè)和跟蹤監(jiān)控算法的改進(jìn)生成專(zhuān)門(mén)針對(duì)于目標(biāo)人群人臉部位檢測(cè)與人臉識(shí)別和跟蹤監(jiān)控相結(jié)合的算法，可以有效地避免遮擋和身份ID不穩(wěn)定變化等問(wèn)題。