一种人脸与人体共同检测的方法和设备技术

本发明专利技术公开了一种人脸与人体共同检测的方法和设备，其中，该方法包括：获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于Faster RCNN生成的；基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。以此实现了高效的同时识别，节约了资源，且提高了实用性以及保证了人脸与人体的对应关系。

【技术实现步骤摘要】
一种人脸与人体共同检测的方法和设备
本专利技术涉及识别领域，特别涉及一种人脸与人体共同检测的方法和设备。
技术介绍
现有技术中，进行人脸识别和人体识别是单独进行的，且只能对单一目标类型进行检测，如果对多类型的目标进行检测需要独立的多个模型，例如，当需要检测人脸和检测行人，那就需要一个人脸检测器和一个人体检测器，使用两套独立的检测器会占用更多资源。另外，目标的检测和检测结果的校正是分开进行，需要重复的进行分类筛选候选框和校正候选框位置和大小，存在大量的重复计算，使系统的实用性降低；后续在实时信息结构化过程中，独立检测到的人脸和人体缺少对应关系，但是在实际的需求中，需要把人脸和人体都对应到某一个具体的个体目标，基于现有的人脸检测和人体检测结果来做，就需要耗费额外的计算来进行匹配。
技术实现思路
针对现有技术中的缺陷，本专利技术提出了一种人脸与人体共同检测的方法和设备，用以克服现有技术中的缺陷。本专利技术提出了以下具体的实施例：本专利技术实施例提出了一种人脸与人体共同检测的方法，包括：获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于FasterRCNN生成的；基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。在一个具体的实施例中，所述获取标准数据，包括：获取不同场景下的监控视频；对监控视频中的图像中的各行人进行识别；针对识别出各行人进行人脸所在的位置以及人体所在位置标注为不同的位置框，以生成位置框信息；整合所识别的图像以及其中的位置框信息生成标准数据。在一个具体的实施例中，所述通过所述标准数据中的位置框信息对共同识别模型进行修正，包括：步骤A、随机初始化共同识别模型的参数；其中，所述参数包括：对应损失函数的参数；所述损失函数用于对共同识别模型进行修正；步骤B、将所述标准数据中的位置框信息依次通过进行了初始化后的共同识别模型进行计算，以获取对应各所述损失函数的损失；步骤C、通过对各所述损失函数进行求导得到梯度，并通过链式法则进行反向传播，得到更新后的各参数；步骤D、重复步骤B以及步骤C，直到损失不再下降，以得到最终的参数；步骤E、通过最终的参数完成对共同识别模型的修正。在一个具体的实施例中，所述损失函数包括：分类损失函数、位置回归损失函数、相对位置约束损失函数；其中，所述分类损失函数，用于对图像中的候选框进行人脸/行人/背景的分类，以获取人脸框和行人框，并去除掉背景上的候选框；所述位置回归损失函数，用于修正人脸框和行人框的位置和大小，提高定位的准确度；所述相对位置约束损失函数，用于保证人脸框和行人框的相对位置关系正常。在一个具体的实施例中，所述基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息，包括：对待识别视频进行解码，以获取待识别视频中的每帧图像；若所述共同识别模块的处理能力超过预设值，则针对每帧图像进行人脸与人体的共同检测，以实时生成同时包括各行人的人脸信息、人体信息以及附属信息的结构化信息；其中，所述附属信息包括：待识别视频对应的摄像头的点位信息，待识别视频的时间信息。本专利技术实施例还提出了一种人脸与人体共同检测的设备，包括：获取模块，用于获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；修正模块，用于通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于FasterRCNN生成的；检测模块，用于基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。在一个具体的实施例中，所述获取模块，用于：获取不同场景下的监控视频；对监控视频中的图像中的各行人进行识别；针对识别出各行人进行人脸所在的位置以及人体所在位置标注为不同的位置框，以生成位置框信息；整合所识别的图像以及其中的位置框信息生成标准数据。在一个具体的实施例中，所述修正模块，用于执行下述操作：步骤A、随机初始化共同识别模型的参数；其中，所述参数包括：对应损失函数的参数；所述损失函数用于对共同识别模型进行修正；步骤B、将所述标准数据中的位置框信息依次通过进行了初始化后的共同识别模型进行计算，以获取对应各所述损失函数的损失；步骤C、通过对各所述损失函数进行求导得到梯度，并通过链式法则进行反向传播，得到更新后的各参数；步骤D、重复步骤B以及步骤C，直到损失不再下降，以得到最终的参数；步骤E、通过最终的参数完成对共同识别模型的修正。在一个具体的实施例中，所述损失函数包括：分类损失函数、位置回归损失函数、相对位置约束损失函数；其中，所述分类损失函数，用于对图像中的候选框进行人脸/行人/背景的分类，以获取人脸框和行人框，并去除掉背景上的候选框；所述位置回归损失函数，用于修正人脸框和行人框的位置和大小，提高定位的准确度；所述相对位置约束损失函数，用于保证人脸框和行人框的相对位置关系正常。在一个具体的实施例中，所述检测模块，用于：对待识别视频进行解码，以获取待识别视频中的每帧图像；若所述共同识别模块的处理能力超过预设值，则针对每帧图像进行人脸与人体的共同检测，以实时生成同时包括各行人的人脸信息、人体信息以及附属信息的结构化信息；其中，所述附属信息包括：待识别视频对应的摄像头的点位信息，待识别视频的时间信息。以此，本专利技术公开了一种人脸与人体共同检测的方法和设备，其中，该方法包括：获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于FasterRCNN生成的；基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。以此实现了高效的同时识别，节约了资源，且提高了实用性以及保证了人脸与人体的对应关系。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术实施例提出的一种人脸与人体共同检测的方法的流程示意图；图2为本专利技术实施例提出的一种人脸与人体共同检测的方法中标定位置框的示意图；图3为本专利技术实施例提出的一种人脸与人体共同检测的方法中的结构化信息的示意图；图4为本专利技术实施例提出的一种人脸与人体共同检测的设备的结构示意图。具体实施方式在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作本文档来自技高网...

【技术保护点】
一种人脸与人体共同检测的方法，其特征在于，包括：获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于Faster RCNN生成的；基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。

【技术特征摘要】
1.一种人脸与人体共同检测的方法，其特征在于，包括：获取标准数据；其中，标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息；通过所述标准数据中的位置框信息对共同识别模型进行修正；其中，所述共同识别模型是基于FasterRCNN生成的；基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息；其中所述结构化信息中同时包括各行人的人脸信息和人体信息。2.如权利要求1所述的方法，其特征在于，所述获取标准数据，包括：获取不同场景下的监控视频；对监控视频中的图像中的各行人进行识别；针对识别出各行人进行人脸所在的位置以及人体所在位置标注为不同的位置框，以生成位置框信息；整合所识别的图像以及其中的位置框信息生成标准数据。3.如权利要求1所述的方法，其特征在于，所述通过所述标准数据中的位置框信息对共同识别模型进行修正，包括：步骤A、随机初始化共同识别模型的参数；其中，所述参数包括：对应损失函数的参数；所述损失函数用于对共同识别模型进行修正；步骤B、将所述标准数据中的位置框信息依次通过进行了初始化后的共同识别模型进行计算，以获取对应各所述损失函数的损失；步骤C、通过对各所述损失函数进行求导得到梯度，并通过链式法则进行反向传播，得到更新后的各参数；步骤D、重复步骤B以及步骤C，直到损失不再下降，以得到最终的参数；步骤E、通过最终的参数完成对共同识别模型的修正。4.如权利要求3所述的方法，其特征在于，所述损失函数包括：分类损失函数、位置回归损失函数、相对位置约束损失函数；其中，所述分类损失函数，用于对图像中的候选框进行人脸/行人/背景的分类，以获取人脸框和行人框，并去除掉背景上的候选框；所述位置回归损失函数，用于修正人脸框和行人框的位置和大小，提高定位的准确度；所述相对位置约束损失函数，用于保证人脸框和行人框的相对位置关系正常。5.如权利要求1所述的方法，其特征在于，所述基于修正后的共同识别模型对待识别视频中图像进行人脸与人体的共同检测，以输出实时的结构化信息，包括：对待识别视频进行解码，以获取待识别视频中的每帧图像；若所述共同识别模块的处理能力超过预设值，则针对每帧图像进行人脸与人体的共同检测，以实时生成同时包括各行人的人脸信息、人体信息以及附属信息的结构化信息；其中，所述附属信息包括：待识别视频对应的摄...

【专利技术属性】
技术研发人员：赵瑞，徐鹏飞，
申请(专利权)人：深圳市深网视界科技有限公司，
类型：发明
国别省市：广东,44