[發(fā)明專(zhuān)利]一種頭部特征提取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011087869.6
• 申請(qǐng)日: 2020-10-12
• 公開(kāi)（公告）號(hào): CN112163545A
• 公開(kāi)（公告）日: 2021-01-01
• 發(fā)明（設(shè)計(jì)）人: 楊建權(quán);趙陽(yáng);朱濤;張?zhí)祺?/a>;李高楊
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京易華錄信息技術(shù)股份有限公司;中國(guó)華錄集團(tuán)有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三聚陽(yáng)光知識(shí)產(chǎn)權(quán)代理有限公司 11250
• 代理人: 劉靜

本發(fā)明提供一種頭部特征提取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，其中，方法包括如下步驟：獲取待檢測(cè)圖像；將所述待檢測(cè)圖像輸入至預(yù)先訓(xùn)練好的人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型，得到所述待檢測(cè)圖像中的人體檢測(cè)框；將所述人體檢測(cè)框輸入至預(yù)先訓(xùn)練好的頭部特征檢測(cè)分類(lèi)模型，得到所述人體檢測(cè)框的人體頭部特征。通過(guò)實(shí)施本發(fā)明，先獲取待檢測(cè)圖像的人體檢測(cè)框，在對(duì)人體檢測(cè)框內(nèi)的頭部特征進(jìn)行檢測(cè)，由于對(duì)于同一行人，人體比頭部在待檢測(cè)圖像中的像素占屏比更大，因此，更不容易漏檢，從而提高了頭部特征檢測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)領(lǐng)域，具體涉及一種頭部特征提取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，計(jì)算機(jī)視覺(jué)技術(shù)在社會(huì)生產(chǎn)生活中的應(yīng)用越來(lái)越廣泛，從可以識(shí)別手勢(shì)的游戲機(jī)到警方依據(jù)道路監(jiān)控對(duì)罪犯的智能追蹤，計(jì)算機(jī)逐漸擁有了肉眼的“看見(jiàn)，認(rèn)識(shí)，分析，反饋”的功能。在各個(gè)城市中，都安裝有數(shù)量可觀(guān)的道路監(jiān)控?cái)z像頭，其具備記錄道路情況，規(guī)范道路行為，追溯事件發(fā)生過(guò)程，或者防患未然等功能。

如何應(yīng)用計(jì)算機(jī)視覺(jué)的技術(shù)自動(dòng)挖掘視頻中的有效信息一直是智慧城市發(fā)展的重要課題。目標(biāo)檢測(cè)算法在道路監(jiān)控中一直發(fā)揮著主要的作用，其可以通過(guò)深度學(xué)習(xí)模型自動(dòng)推演出視頻中需要關(guān)注的物體的位置信息。相關(guān)技術(shù)中，一般是直接提取人體頭部特征進(jìn)行特征識(shí)別，但實(shí)際上在街景場(chǎng)景下的視頻監(jiān)控錄像中，攝像頭一般深處高位，用以拍攝人群或車(chē)群的整體狀況，由于單個(gè)行人頭部像素占屏比很小，可能導(dǎo)致頭部漏檢，從而使得頭部特征檢測(cè)準(zhǔn)確率低。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種頭部特征提取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中頭部漏檢，從而使得頭部特征檢測(cè)準(zhǔn)確率低的缺陷。

根據(jù)第一方面，本發(fā)明實(shí)施例提供一種頭部特征提取方法，包括如下步驟：獲取待檢測(cè)圖像；將所述待檢測(cè)圖像輸入至預(yù)先訓(xùn)練好的人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型，得到所述待檢測(cè)圖像中的人體檢測(cè)框；將所述人體檢測(cè)框輸入至預(yù)先訓(xùn)練好的頭部特征檢測(cè)分類(lèi)模型，得到所述人體檢測(cè)框的人體頭部特征。

可選地，所述人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型為YOLOv3神經(jīng)網(wǎng)絡(luò)模型，所述頭部特征檢測(cè)分類(lèi)模型為MobileNet分類(lèi)網(wǎng)絡(luò)。

可選地，所述人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程包括：獲取第一訓(xùn)練樣本，所述第一訓(xùn)練樣本包括不同地域、不同時(shí)段、不同光照條件的場(chǎng)景圖像以及所述場(chǎng)景圖像中的人體預(yù)標(biāo)注信息；獲取根據(jù)目標(biāo)數(shù)據(jù)集訓(xùn)練好的第一預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述第一訓(xùn)練樣本對(duì)所述第一預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，得到人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述頭部特征檢測(cè)分類(lèi)模型的訓(xùn)練過(guò)程包括：獲取第二訓(xùn)練樣本，所述第二訓(xùn)練樣本包括多分類(lèi)樣本標(biāo)簽，所述多分類(lèi)樣本標(biāo)簽根據(jù)目標(biāo)函數(shù)庫(kù)中的多標(biāo)簽二值化函數(shù)得到；將所述第二訓(xùn)練樣本輸入至第二預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)所述第二預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型滿(mǎn)足預(yù)定條件，則得到頭部特征檢測(cè)分類(lèi)模型。

可選地，所述方法還包括：當(dāng)?shù)诙?xùn)練樣本輸入至第二預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)特征提取錯(cuò)誤，則將發(fā)生特征提取錯(cuò)誤的第二訓(xùn)練樣本重復(fù)輸入至第二預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行目標(biāo)次數(shù)的迭代訓(xùn)練。

可選地，獲取第二訓(xùn)練樣本包括：獲取待訓(xùn)練圖像；將所述待訓(xùn)練圖像輸入至預(yù)先訓(xùn)練好的人體檢測(cè)YOLO V3模型，得到所述待訓(xùn)練圖像中的人體檢測(cè)框；將所述人體檢測(cè)框輸入至預(yù)先訓(xùn)練好的特征分類(lèi)YOLO V3模型，得到所述人體檢測(cè)框?qū)?yīng)的標(biāo)簽，根據(jù)所述人體檢測(cè)框以及對(duì)應(yīng)的標(biāo)簽構(gòu)建得到所述第二訓(xùn)練樣本。

可選地，將所述待檢測(cè)圖像輸入至預(yù)先訓(xùn)練好的人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型，包括：將所述待檢測(cè)圖像尺寸調(diào)整至第一目標(biāo)尺寸，將第一目標(biāo)尺寸的待檢測(cè)圖像輸入至預(yù)先訓(xùn)練好的人體檢測(cè)神經(jīng)網(wǎng)絡(luò)模型；和/或?qū)⑺鋈梭w檢測(cè)框輸入至預(yù)先訓(xùn)練好的頭部特征檢測(cè)分類(lèi)模型，包括：將所述人體檢測(cè)框尺寸調(diào)整至第二目標(biāo)尺寸，將第二目標(biāo)尺寸的人體檢測(cè)框輸入至預(yù)先訓(xùn)練好的頭部特征檢測(cè)分類(lèi)模型。