[發明專利]一種非機動車載人識別方法、裝置及相關設備

在審

• 申請號: 202210446453.1
• 申請日: 2022-04-26
• 公開（公告）號: CN114821419A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 路通
• 申請（專利權）人: 濟南博觀智能科技有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/54;G06V20/59;G06V40/10;G06V10/80;G06V10/40;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張藝

1.一種非機動車載人識別方法，其特征在于，包括：

對目標視頻幀進行目標檢測，獲得非機動車目標；

對所述非機動車目標進行區域劃分，獲得人體區域和車輛區域；

對所述人體區域進行多卷積特征提取，獲得第一特征圖；

對所述車輛區域進行池化下采樣處理，獲得第二特征圖；

對所述第一特征圖和所述第二特征圖進行拼接，獲得綜合特征圖；

根據所述綜合特征圖中的特征信息確定所述非機動車目標是否載人。

2.根據權利要求1所述的非機動車載人識別方法，其特征在于，所述對目標視頻幀進行目標檢測，獲得非機動車目標，包括：

利用目標檢測模型對所述目標視頻幀進行目標檢測，獲得所述非機動車目標。

3.根據權利要求2所述的非機動車載人識別方法，其特征在于，所述目標檢測模型的訓練過程包括：

獲取模型訓練樣本，所述模型訓練樣本包括真實目標樣本和相似目標樣本；

將所述相似目標樣本輸入至特征區域歸零模型進行處理，獲得處理后的相似目標樣本；

利用所述真實目標樣本和所述處理后的相似目標樣本進行模型訓練，獲得目標檢測模型。

4.根據權利要求3所述的非機動車載人識別方法，其特征在于，所述利用所述真實目標樣本和所述處理后的相似目標樣本進行模型訓練，獲得目標檢測模型，包括：

統計所述真實目標樣本的第一樣本數量、所述處理后的相似目標樣本的第二樣本數量、訓練樣本總數量；

根據所述第一樣本數量、所述第二樣本數量以及所述訓練樣本總數量計算獲得類別懲罰因子；

基于所述類別懲罰因子構建第一損失函數；

利用所述真實目標樣本和所述處理后的相似目標樣本進行模型訓練，獲得所述第一損失函數的損失值達到第一預設條件的目標檢測模型。

5.根據權利要求1所述的非機動車載人識別方法，其特征在于，所述利用目標檢測模型對目標視頻幀進行目標檢測，獲得非機動車目標之后，對所述非機動車目標進行識別，確定所述非機動車目標是否載人的過程具體由載人識別模型實現。

6.根據權利要求5所述的非機動車載人識別方法，其特征在于，所述載人識別模型的訓練過程包括：

從真實目標樣本中隨機抽取訓練樣本，并利用所述訓練樣本進行初始迭代訓練，獲得初始訓練模型；

利用所述真實目標樣本對所述初始訓練模型進行測試，獲得測試結果；

根據所述測試結果對所述真實目標樣本進行重組，獲得各訓練樣本集合，并設定各所述訓練樣本集合對應的標簽平滑因子；

基于所述標簽平滑因子構建第二損失函數；

隨機抽取所述訓練樣本集合對所述初始訓練模型進行迭代訓練，直至獲得所述第二損失函數的損失值達到第二預設條件的載人識別模型。

7.根據權利要求6所述的非機動車載人識別方法，其特征在于，所述隨機抽取所述訓練樣本集合對所述初始訓練模型進行迭代訓練，直至獲得所述第二損失函數的損失值達到第二預設條件的載人識別模型，包括：

利用Nesterov優化函數進行迭代訓練，并計算每次迭代訓練后的梯度值；

當所述梯度值達到預設范圍時，利用AdaGrad優化函數進行迭代訓練，直至獲得所述載人識別模型。

8.一種非機動車載人識別裝置，其特征在于，包括：

目標檢測模塊，用于對目標視頻幀進行目標檢測，獲得非機動車目標；

區域劃分模塊，用于對所述非機動車目標進行區域劃分，獲得人體區域和車輛區域；

第一特征提取模塊，用于對所述人體區域進行多卷積特征提取，獲得第一特征圖；

第二特征提取模塊，用于對所述車輛區域進行池化下采樣處理，獲得第二特征圖；

特征圖拼接模塊，用于對所述第一特征圖和所述第二特征圖進行拼接，獲得綜合特征圖；

載人識別模塊，用于根據所述綜合特征圖中的特征信息確定所述非機動車目標是否載人。