行人检测的方法及装置制造方法及图纸

本发明专利技术实施例提供了一种行人检测的方法，包括：接收待检测图片；采用神经网络，确定所述待检测图片中的行人信息，所述行人信息包括行人的位置以及所述行人的关键点位置；对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果。由此可见，本发明专利技术实施例对于待检测图片，可以采用神经网络，得到行人位置和行人的关键点信息，这样通过引入行人的关键点信息，解决了传统行人检测方法中难以解决的遮挡和重叠问题，提升了检测的精确度。

Method and device for pedestrian detection

Including the embodiment of the invention provides a method, a pedestrian detection: receiving the detecting image; using neural network information to determine the pedestrian detection in the image, the information including the location of pedestrian pedestrian and the pedestrian on the key points; to the pedestrian information detected in the picture for the postprocessing, detection results of pedestrians. Thus, the embodiment of the invention can be used for detecting image, neural network, key point and pedestrian pedestrian location information, so through the key points by introducing pedestrian information, solve the difficult problem of occlusion and overlap detection method of traditional pedestrian, improve the accuracy of detection.

【技术实现步骤摘要】

本专利技术涉及图像识别领域，更具体地涉及一种行人检测的方法及装置。
技术介绍
行人检测是通用物体检测的子问题，吸引了学术界和工业界的大量兴趣。首先，行人检测可以应用于安防、自动(辅助)驾驶、智能监控和人机交互等多个领域，是一项基本且重要的技术。现有的行人检测无法解决遮挡、人体重叠等问题。遮挡，指由于存在障碍物导致目标只有部分可见，常见的遮挡后果是人体只有上(下)半身或左(右)半身可见。人体重叠，指两人及以上在图片中的位置关系发生重合，常见的人体重叠多见于人群较为密集的场景。遮挡及重叠是行人检测中最棘手的两个问题。部分不可见会降低传统行人检测方法的检出率；重叠对技术的要求则更高，因为对于重叠的人，神经网络更倾向于将两人(甚至多人)检测为同一个人，即不能将重叠的目标划分开来。同时，现有的行人检测技术通常需要在后期处理中运用“非最大抑制”的方法。“非最大抑制”是为了处理神经网络对同一个人报出两次(或多次)检测，因此需对多个空间位置接近的检测结果进行合并。在重叠的情况下，非最大抑制还会导致对不同目标的检测结果被误合并。
技术实现思路
考虑到上述问题而提出了本专利技术。本专利技术提供了一种行人检测的方法，能够在基于待检测图片中的行人信息，得到行人检测的结果，从而能够提高行人检测的精度。根据本专利技术的第一方面，提供了一种行人检测的方法，包括：接收待检测图片；采用神经网络，确定所述待检测图片中的行人信息，所述行人信息包括行人的位置以及所述行人的关键点位置；对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果。示例性地，所述行人的关键点位置包括以下中的至少一项：头部位置、左肩位置、右肩位置、左膝位置、右膝位置、左脚位置、右脚位置。示例性地，所述对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果，包括：对所述待检测图片中的所述行人信息进行过滤，得到所述行人信息中的高概率行人信息；对所述高概率行人信息进行处理，得到所述行人检测的结果，其中，所述高概率行人信息为概率值大于或等于概率阈值的行人信息，所述概率阈值为预设概率值。示例性地，所述对所述高概率行人信息进行处理，得到所述行人检测的结果，包括：根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果。示例性地，所述根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果，包括：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，以得到所述行人检测的结果。示例性地，所述根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果，包括：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，若所述相邻的两个所述行人信息属于同一行人，则利用非最大抑制方法，对所述相邻的两个所述行人信息进行合并操作，得到所述行人检测的结果。示例性地，在所述方法之前，还包括：基于至少一张训练图像，通过训练得到所述神经网络；其中，所述训练图像中标注有行人信息。根据本专利技术的第二方面，提供了一种行人检测的装置，包括：接收模块，用于接收待检测图片；确定模块，用于采用神经网络，确定所述待检测图片中的行人信息，所述行人信息包括行人的位置以及所述行人的关键点位置；后处理模块，用于对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果。示例性地，所述行人的关键点位置包括以下中的至少一项：头部位置、左肩位置、右肩位置、左膝位置、右膝位置、左脚位置、右脚位置。示例性地，所述后处理模块，包括：过滤子模块，用于对所述待检测图片中的所述行人信息进行过滤，得到所述行人信息中的高概率行人信息；处理子模块，用于对所述高概率行人信息进行处理，得到所述行人检测的结果，其中，所述高概率行人信息为概率值大于或等于概率阈值的行人信息，所述概率阈值为预设概率值。示例性地，所述处理子模块，用于：根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果。示例性地，所述处理子模块，用于：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，以得到所述行人检测的结果。示例性地，所述处理子模块，用于：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，若所述相邻的两个所述行人信息属于同一行人，则利用非最大抑制方法，对所述相邻的两个所述行人信息进行合并操作，得到所述行人检测的结果。示例性地，还包括训练模块，用于：基于至少一张训练图像，通过训练得到所述神经网络；其中，所述训练图像中标注有行人信息。第二方面所述的该装置能够用于实现前述第一方面的行人检测的方法。根据本专利技术的第三方面，提供了一种计算机芯片，该计算机芯片包括处理器和存储器。所述存储器存储有指令代码，所述处理器用于执行所述指令代码，且当所述处理器执行指令代码时，能够实现前述第一方面所述的行人检测的方法。由此可见，本专利技术实施例对于待检测图片，可以采用神经网络，得到行人位置和行人的关键点信息，这样通过引入行人的关键点信息，解决了传统行人检测方法中难以解决的遮挡和重叠问题，提升了检测的精确度。附图说明通过结合附图对本专利技术实施例进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与本专利技术实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1是本专利技术实施例的电子设备的一个示意性框图；图2是本专利技术实施例的行人检测的方法的一个示意性流程图；图3是本专利技术实施例的行人检测的装置的一个示意性框图；图4是本专利技术实施例的行人检测的装置的另一个示意性框图。具体实施方式为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本专利技术的示例实施例。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术不受这里描述的示例实施例的限制。基于本专利技术中描述的本专利技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本专利技术的保护范围之内。本专利技术实施例可以应用于电子设备，图1所示为本专利技术实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或多个非图像传感器114，这些组件通过总线系统112和/或其它形式互连。应当注意，图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。所述处理器102可以包括CPU1021和GPU1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，例如现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或进阶精简指令集机器(AdvancedRISC(ReducedInstructionSetComputer)Machine，ARM)本文档来自技高网...

【技术保护点】
一种行人检测的方法，其特征在于，包括：接收待检测图片；采用神经网络，确定所述待检测图片中的行人信息，所述行人信息包括行人的位置以及所述行人的关键点位置；对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果。

【技术特征摘要】
1.一种行人检测的方法，其特征在于，包括：接收待检测图片；采用神经网络，确定所述待检测图片中的行人信息，所述行人信息包括行人的位置以及所述行人的关键点位置；对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果。2.如权利要求1所述的方法，其特征在于，所述行人的关键点位置包括以下中的至少一项：头部位置、左肩位置、右肩位置、左膝位置、右膝位置、左脚位置、右脚位置。3.如权利要求1或2所述的方法，其特征在于，所述对所述待检测图片中的所述行人信息进行后处理，得到所述行人检测的结果，包括：对所述待检测图片中的所述行人信息进行过滤，得到所述行人信息中的高概率行人信息；对所述高概率行人信息进行处理，得到所述行人检测的结果，其中，所述高概率行人信息为概率值大于或等于概率阈值的行人信息，所述概率阈值为预设概率值。4.如权利要求3所述的方法，其特征在于，所述对所述高概率行人信息进行处理，得到所述行人检测的结果，包括：根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果。5.如权利要求4所述的方法，其特征在于，所述根据所述高概率行人信息中的所述行人的关键点位置，得到所述行人检测的结果，包括：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，以得到所述行人检测的结果。6.如权利要求5所述的方法，其特征在于，所述根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，以得到所述行人检测的结果，包括：根据所述高概率行人信息中的相邻的两个所述行人信息中所述关键点的空间位置与距离确定所述相邻的两个所述行人信息是否属于同一行人，若所述相邻的两个所述行人信息属于同一行人，则利用非最大抑制方法，对所述相邻的两个所述行人信息进行合并操作，得到所述行人检测的结果。7.如权利要求1至6任一项所述的方法，其特征在于，在所述...

【专利技术属性】
技术研发人员：肖特特，茅佳源，
申请(专利权)人：北京旷视科技有限公司，北京小孔科技有限公司，
类型：发明
国别省市：北京;11