[發(fā)明專(zhuān)利]一種密集人群的檢測(cè)方法、裝置及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202011378960.3
• 申請(qǐng)日: 2020-11-30
• 公開(kāi)（公告）號(hào): CN112308045A
• 公開(kāi)（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 黃澤元
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳集智數(shù)字科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 林哲生

1.一種密集人群的檢測(cè)方法，其特征在于，包括：

獲取待檢測(cè)圖像；

將所述待檢測(cè)圖像輸入至人員檢測(cè)模型，以獲得與所述待檢測(cè)圖像中的人員相關(guān)聯(lián)的檢測(cè)框、質(zhì)量分值和遮擋分值；以及

基于所述檢測(cè)框、所述質(zhì)量分值以及所述遮擋分值，獲得所述待檢測(cè)圖像的人員檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取多個(gè)訓(xùn)練樣本，所述多個(gè)訓(xùn)練樣本中的每個(gè)訓(xùn)練樣本包括樣本圖像和所述樣本圖像對(duì)應(yīng)的人員位置；

通過(guò)所述多個(gè)訓(xùn)練樣本對(duì)初始神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進(jìn)行調(diào)整，得到所述人員檢測(cè)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過(guò)所述多個(gè)訓(xùn)練樣本對(duì)初始神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進(jìn)行調(diào)整，得到所述人員檢測(cè)模型，包括：

獲取訓(xùn)練樣本中的樣本圖像中人員位置標(biāo)注的實(shí)際檢測(cè)框；

將所述訓(xùn)練樣本中的樣本圖像及人員位置輸入至初始神經(jīng)網(wǎng)絡(luò)模型；

通過(guò)所述初始神經(jīng)網(wǎng)絡(luò)模型對(duì)所述樣本圖像進(jìn)行處理，得到與所述人員位置對(duì)應(yīng)的預(yù)測(cè)檢測(cè)框；

基于所述樣本圖像中的各個(gè)人員的預(yù)測(cè)檢測(cè)框，確定檢測(cè)框的邊框信息；

基于所述預(yù)測(cè)檢測(cè)框與對(duì)應(yīng)的實(shí)際檢測(cè)框，確定質(zhì)量分值和遮擋分值；

根據(jù)所述邊框信息、質(zhì)量分值和遮擋分值，對(duì)所述初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行損失計(jì)算，獲得損失計(jì)算結(jié)果；

通過(guò)所述損失計(jì)算結(jié)果對(duì)所述初始神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進(jìn)行調(diào)整，得到所述人員檢測(cè)模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述邊框信息包括遮擋程度參數(shù)，所述基于所述樣本圖像中的各個(gè)人員的預(yù)測(cè)檢測(cè)框，確定檢測(cè)框的邊框信息，包括：

獲取第一預(yù)測(cè)檢測(cè)框的底邊的第一長(zhǎng)度；

確定與所述第一預(yù)測(cè)檢測(cè)框相鄰的第二預(yù)測(cè)檢測(cè)框；

確定所述第一預(yù)測(cè)檢測(cè)框的底邊被所述第二預(yù)測(cè)檢測(cè)框覆蓋的第二長(zhǎng)度；

基于所述第一長(zhǎng)度和所述第二長(zhǎng)度，計(jì)算得到所述遮擋程度參數(shù)。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述方法還包括：

確定目標(biāo)檢測(cè)框，包括：

獲取第三預(yù)測(cè)檢測(cè)框以及與所述第三預(yù)測(cè)檢測(cè)框最近的第四預(yù)測(cè)檢測(cè)框；

基于所述第三預(yù)測(cè)檢測(cè)框、所述第四預(yù)測(cè)檢測(cè)框和預(yù)設(shè)的最近鄰損失計(jì)算模式，確定所述第三預(yù)測(cè)檢測(cè)框的目標(biāo)檢測(cè)框，其中，所述最近鄰損失表征目標(biāo)檢測(cè)框與所述第四預(yù)測(cè)檢測(cè)框的損失，所述最近鄰損失計(jì)算模式為目標(biāo)檢測(cè)框與所述第四檢測(cè)框的位置越近損失越大，位置越遠(yuǎn)損失越小。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述方法還包括：

計(jì)算所述預(yù)測(cè)檢測(cè)框與對(duì)應(yīng)的實(shí)際檢測(cè)框的交集和并集；

將所述交集與所述并集的比值確定為質(zhì)量分值；

計(jì)算當(dāng)前預(yù)測(cè)檢測(cè)框以及和所述當(dāng)前預(yù)測(cè)檢測(cè)框的相鄰預(yù)測(cè)檢測(cè)框的重疊面積；

將所述重疊面積與所述當(dāng)前預(yù)測(cè)檢測(cè)框的面積的比值確定為遮擋分值。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述方法還包括：

獲取所述初始神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)值；

基于所述分類(lèi)值和所述質(zhì)量分值計(jì)算得到當(dāng)前預(yù)測(cè)檢測(cè)框的綜合分值，使得通過(guò)所述綜合分值實(shí)現(xiàn)對(duì)所述當(dāng)前檢測(cè)框的寬度的調(diào)整。

8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述方法還包括：

通過(guò)所述遮擋分值對(duì)所述目標(biāo)框進(jìn)行非極大抑制，獲得重疊閾值；

基于所述重疊閾值對(duì)所述初始神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進(jìn)行調(diào)整，得到所述人員檢測(cè)模型。

9.一種密集人群的檢測(cè)裝置，其特征在于，包括：

獲取單元，用于獲取待檢測(cè)圖像；

檢測(cè)單元，用于將所述待檢測(cè)圖像輸入至人員檢測(cè)模型，以獲得與所述待檢測(cè)圖像中的人員相關(guān)聯(lián)的檢測(cè)框、質(zhì)量分值和遮擋分值；以及

基于所述檢測(cè)框、所述質(zhì)量分值以及所述遮擋分值，獲得所述待檢測(cè)圖像的人員檢測(cè)結(jié)果。

10.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器：所述存儲(chǔ)器存儲(chǔ)有應(yīng)用程序，所述處理器用于運(yùn)行所述存儲(chǔ)器內(nèi)的應(yīng)用程序，以執(zhí)行權(quán)利要求1至8中任一項(xiàng)所述的密集人群的檢測(cè)方法。