人头检测方法和装置制造方法及图纸

本发明专利技术涉及一种人头检测方法和装置，方法包括：将待检测图像分割为多于一个的子图像；分别将每个子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个子图像的第一特征；通过卷积神经网络中前置层之后的卷积层，将对应于每个子图像的第一特征映射为对应于每个子图像的第二特征；通过卷积神经网络的回归层，将对应于每个子图像的第二特征映射为对应于每个子图像的人头位置及与人头位置相应的置信度；将对应于每个子图像的人头位置按照相应的置信度过滤，获得待检测图像中检测到的人头位置。本发明专利技术可以提高人头检测准确性。

【技术实现步骤摘要】
人头检测方法和装置
本专利技术涉及图像处理
，特别是涉及一种人头检测方法和装置。
技术介绍
人头检测是指在图像中检测人体的头部，人头检测的结果由多种应用，如应用于安防领域。目前人头检测主要是基于人头形状和颜色来实现。目前人头检测的具体过程是：先对图像二值化，再进行边缘检测，得到大致为圆形的边缘；再使用圆形检测，得到圆形边缘的位置和大小，进而对原图像中对应的圆形区域进行灰度和大小判定，得到人头检测结果。然而，目前人头检测依赖于人头形状为圆形的假设，而事实上人头形状并不是规则的圆形，而且不同人的人头形状也有差异，导致目前人头检测时会造成一部分人头漏检，造成人头检测结果准确性较低。
技术实现思路
基于此，有必要针对目前人头检测结果准确性较低的问题，提供一种人头检测方法和装置。一种人头检测方法，所述方法包括：将待检测图像分割为多于一个的子图像；分别将每个所述子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过所述卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个所述子图像的第一特征；通过所述卷积神经网络中所述前置层之后的卷积层，将对应于每个所述子图像的第一特征映射为对应于每个所述子图像的第二特征；通过所述卷积神经网络的回归层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置及与所述人头位置相应的置信度；将所述对应于每个所述子图像的人头位置按照相应的置信度过滤，获得所述待检测图像中检测到的人头位置。一种人头检测装置，所述装置包括：分割模块，用于将待检测图像分割为多于一个的子图像；卷积神经网络模块，用于分别将每个所述子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过所述卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个所述子图像的第一特征；通过所述卷积神经网络中所述前置层之后的卷积层，将对应于每个所述子图像的第一特征映射为对应于每个所述子图像的第二特征；通过所述卷积神经网络的回归层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置及与所述人头位置相应的置信度；人头检测结果确定模块，用于将所述对应于每个所述子图像的人头位置按照相应的置信度过滤，获得所述待检测图像中检测到的人头位置。上述人头检测方法和装置，卷积神经网络预先根据已标定人头位置的训练图像进行了训练，卷积神经网络可以自动学习到人头的特征。经过训练的卷积神经网络可以自动从子图像中提取合适的特征来输出候选的人头位置及相应的置信度，进而再依据置信度过滤得到待检测图像中的人头位置。不需要预先假设人头形状，可以避免因设定人头形状而导致的漏检，提高了人头检测的准确性。而且，在卷积神经网络内部，由包括卷积层和子采样层的前置层输出子图像的第一特征，再由前置层之后且回归层之前的卷积层输出第二特征，以准确地描述子图像中人头的特征，从而通过回归层直接将第二特征映射为人头位置及置信度，是新结构的卷积神经网络的新应用，相比传统的基于圆形检测的人头检测的准确性有很大提高。附图说明图1为一个实施例中人头检测方法的应用环境图；图2为一个实施例中电子设备的内部结构示意图；图3为一个实施例中人头检测方法的流程示意图；图4为一个实施例中卷积神经网络的结构示意图；图5为一个实施例中将用于分类的卷积神经网络转化为用于人头检测的卷积神经网络并训练的步骤的流程示意图；图6为一个实施例中将对应于每个子图像的人头位置按照相应的置信度过滤，获得待检测图像中检测到的人头位置的步骤的流程示意图；图7为一个实施例中根据筛选出的人头位置及挑选出的人头位置确定待检测图像中检测到的人头位置的步骤的流程示意图；图8为一个实施例中逐视频帧进行人头跟踪并统计人流量的步骤的流程示意图；图9为一个实施例中当跟踪人头位置中断时在前一视频帧中跟踪的人头位置附近检测人头位置并继续跟踪的步骤的流程示意图；图10为一个实施例中俯视图像中标定的矩形框的位置示意图；图11为一个实施例中利用平行的两条线条进行人数统计的示意图；图12为一个实施例中人头检测装置的结构框图；图13为另一个实施例中人头检测装置的结构框图；图14为一个实施例中人头检测结果确定模块的结构框图；图15为再一个实施例中人头检测装置的结构框图；图16为又一个实施例中人头检测装置的结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为一个实施例中人头检测方法的应用环境图。参照图1，该人头检测方法应用于人头检测系统，该人头检测系统包括电子设备110以及与电子设备110连接的俯视摄像头120。其中俯视摄像头120用于拍摄待检测图像，并将待检测图像发送至电子设备120。俯视摄像头可安装在建筑物顶部或者高于人身高的墙壁处或者建筑物顶部墙角处，使得俯视摄像头可以拍摄到俯视视角的图像。俯视可以是正俯视或者具有倾斜角度的俯视。在一个实施例中，电子设备120可用于将待检测图像分割为多于一个的子图像；分别将每个子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个子图像的第一特征；通过卷积神经网络中前置层之后的卷积层，将对应于每个子图像的第一特征映射为对应于每个子图像的第二特征；通过卷积神经网络的回归层，将对应于每个子图像的第二特征映射为对应于每个子图像的人头位置及与人头位置相应的置信度；将对应于每个子图像的人头位置按照相应的置信度过滤，获得待检测图像中检测到的人头位置。图2为一个实施例中电子设备的内部结构示意图。参照图2，该电子设备包括通过系统总线连接的中央处理器、图形处理器、非易失性存储介质、内存储器和网络接口。其中，该电子设备的非易失性存储介质存储有操作系统和人头检测装置，该人头检测装置用于实现一种人头检测方法。中央处理器和图形处理器可统称为处理器，用于提供计算和控制能力，支撑电子设备的运行。该电子设备的内存储器为非易失性存储介质中的人头检测装置的运行提供环境。该内存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种人头检测方法。该电子设备的网络接口用于据以与俯视摄像头连接。电子设备可以用独立的电子设备或者是多个电子设备组成的集群来实现。电子设备可以是个人计算机、服务器或者专用的人头检测设备。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。图3为一个实施例中人头检测方法的流程示意图。本实施例主要以该方法应用于上述图1和图2中的电子设备110来举例说明。参照图3，该人头检测方法具体包括如下步骤：S302，将待检测图像分割为多于一个的子图像。其中，待检测图像是指需要进行人头检测的图像。待检测图像可以是图片，也可以是视频中的视频帧。子图像是指从待检测图像中分割出的尺寸小于待检测图像的图像。分割出的所有子图像可以尺寸相同。具体地，电子设备可将固定尺寸的窗口按照横向步长及纵向步长在待本文档来自技高网...

【技术保护点】
一种人头检测方法，所述方法包括：将待检测图像分割为多于一个的子图像；分别将每个所述子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过所述卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个所述子图像的第一特征；通过所述卷积神经网络中所述前置层之后的卷积层，将对应于每个所述子图像的第一特征映射为对应于每个所述子图像的第二特征；通过所述卷积神经网络的回归层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置及与所述人头位置相应的置信度；将所述对应于每个所述子图像的人头位置按照相应的置信度过滤，获得所述待检测图像中检测到的人头位置。

【技术特征摘要】
1.一种人头检测方法，所述方法包括：将待检测图像分割为多于一个的子图像；分别将每个所述子图像输入已根据已标定人头位置的训练图像进行训练的卷积神经网络，通过所述卷积神经网络中包括卷积层和子采样层的前置层输出对应于每个所述子图像的第一特征；通过所述卷积神经网络中所述前置层之后的卷积层，将对应于每个所述子图像的第一特征映射为对应于每个所述子图像的第二特征；通过所述卷积神经网络的回归层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置及与所述人头位置相应的置信度；将所述对应于每个所述子图像的人头位置按照相应的置信度过滤，获得所述待检测图像中检测到的人头位置。2.根据权利要求1所述的方法，其特征在于，所述将待检测图像分割为多于一个的子图像包括：将待检测图像分割为固定尺寸且多于一个的子图像，且分割出的所述子图像中相邻的子图像之间存在重叠部分。3.根据权利要求1所述的方法，其特征在于，所述将待检测图像分割为多于一个的子图像之前，所述方法还包括：将用于分类的卷积神经网络所包括的前置层之后且回归层之前的全连接层转换为卷积层；将用于分类的所述卷积神经网络中的回归层替换为用于将转换后的卷积层输出的第二特征映射为人头位置及相应置信度的回归层；及采用已标定人头位置的训练图像，对包括所述前置层、转换后的卷积层及替换后的回归层的所述卷积神经网络进行训练。4.根据权利要求1所述的方法，其特征在于，所述通过所述卷积神经网络的回归层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置及与所述人头位置相应的置信度包括：通过所述卷积神经网络的回归层中的第一卷积层，将对应于每个所述子图像的所述第二特征映射为对应于每个所述子图像的人头位置；通过所述卷积神经网络的回归层中的第二卷积层，将对应于每个所述子图像的所述第二特征映射为与输出的所述人头位置相对应的置信度。5.根据权利要求1所述的方法，其特征在于，所述将所述对应于每个所述子图像的人头位置按照相应的置信度过滤，获得所述待检测图像中检测到的人头位置包括：从对应于每个所述子图像的人头位置中筛选出所对应的置信度高于或等于置信度阈值的人头位置；从对应于每个所述子图像的人头位置中挑选在所述待检测图像中与筛选出的人头位置相交的人头位置；根据所述筛选出的人头位置及挑选出的所述人头位置确定所述待检测图像中检测到的人头位置。6.根据权利要求5所述的方法，其特征在于，所述根据所述筛选出的人头位置及挑选出的所述人头位置确定人头检测结果包括：将所述筛选出的人头位置以及挑选出的所述人头位置作为二分图中的节点；为所述二分图中的节点之间的边分配默认且为正的权重；当所述边所关联的节点所表示的人头位置相交时，将相应分配的权重减小；求取所述二分图的最大权匹配，得到所述待检测图像中检测到的人头位置。7.根据权利要求1所述的方法，其特征在于，所述待检测图像为视频中的视频帧；所述方法还包括：根据所述待检测图像中检测到的人头位置逐视频帧进行人头跟踪；确定跟踪的人头位置相对于指定区域的运动方向及位置关系；根据确定的所述运动方向和所述位置关系进行人数统计。8.根据权利要求7所述的方法，其特征在于，所述确定跟踪的人头位置相对于指定区域的运动方向及位置关系包括：当跟踪的人头位置依次跨越第一线条以及与所述第一线条平行的第二线条时，确定跟踪的人头位置进入指定区域；当跟踪的人头位置依次跨越所述第二线条以及所述第一线条时，确定跟踪的人头位置离开所述指定区域。9.根据权利要求7所述的方法，其特征在于，所述方法还包括：逐视频帧跟踪所述人头位置并记录；若在当前视频帧中跟踪所述人头位置中断，则获取记录的前一视频帧中跟踪到的人头位置；检测在当前视频帧中覆盖获取的人头位置的局部区域中的人头位置；从所述局部区域中检测到的人头位置起继续执行所述逐视频帧跟踪所述人头位置并记录...

【专利技术属性】
技术研发人员：姜德强，
申请(专利权)人：腾讯科技上海有限公司，
类型：发明
国别省市：上海,31