[發(fā)明專利]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（公告）號(hào): CN112308045A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 黃澤元
• 申請(qǐng)（專利權(quán)）人: 深圳集智數(shù)字科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(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

本發(fā)明公開了一種密集人群的檢測(cè)方法、裝置及電子設(shè)備，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。由于本發(fā)明的人員檢測(cè)模型為對(duì)圖像特征進(jìn)行學(xué)習(xí)，得到與所述待檢測(cè)圖像中的人員相匹配的檢測(cè)框、質(zhì)量分值和遮擋分值，利用所述檢測(cè)框、質(zhì)量分值和遮擋分值對(duì)人員進(jìn)行檢測(cè)的模型。使得本發(fā)明考慮了檢測(cè)框在密集人群中的不確定性，有效利用了物體重疊信息進(jìn)行建模，實(shí)現(xiàn)了提升密集人群中人員檢測(cè)的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及信息處理技術(shù)領(lǐng)域，特別是涉及一種密集人群的檢測(cè)方法、裝置及電子設(shè)備。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展，越來(lái)越多的場(chǎng)景應(yīng)用到了人員檢測(cè)，其也作為了人臉識(shí)別、動(dòng)作識(shí)別的基礎(chǔ)。但是，對(duì)著應(yīng)用場(chǎng)景的多樣化，在密集人群中的人員檢測(cè)的場(chǎng)景中，當(dāng)采用傳統(tǒng)的固定邊框去識(shí)別人員位置時(shí)，會(huì)受遮擋或者重疊信息的影響，降低了檢測(cè)精度。

發(fā)明內(nèi)容

針對(duì)于上述問(wèn)題，本發(fā)明提供一種密集人群的檢測(cè)方法、裝置及電子設(shè)備，實(shí)現(xiàn)了提升密集人群中人員檢測(cè)的精度。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：

一種密集人群的檢測(cè)方法，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，已獲得與所述待檢測(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；

其中，所述人員檢測(cè)模型為對(duì)圖像特征進(jìn)行學(xué)習(xí)，得到與所述待檢測(cè)圖像中的人員相匹配的檢測(cè)框、質(zhì)量分值和遮擋分值，利用所述檢測(cè)框、質(zhì)量分值和遮擋分值對(duì)人員進(jìn)行檢測(cè)的模型。

可選地，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。

可選地，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。

可選地，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)。