基于深度学习网络的行人检测方法、装置及系统制造方法及图纸

本发明专利技术实施例公开一种基于深度学习网络的行人检测方法、装置及系统，其通过对待检测图像中的不同待检测子区域按照对应的最佳缩放比进行放大/缩小，可以将各个待检测子区域中行人的尺寸调整至行人检测模型的最佳检测尺寸范围内，从而克服行人检测模型的检测局限性，有效提高行人的检出率，降低误检率；本发明专利技术实施例对待检测图像的分区方式及所采用的最佳缩放比是通过以目标场景的拍摄图像为样本图像自动学习得到的，不需要人工操作干预，可以自动适应各种不同的未知场景的尺度变化情况；另外，通过上述自动学习过程中确定的行人位置和尺寸之间的对应关系对待检测图像的检测结果进行有效性校验，剔除明显过大或过小的误检结果，降低误检率。

【技术实现步骤摘要】
基于深度学习网络的行人检测方法、装置及系统
本专利技术涉及目标检测
，尤其涉及一种基于深度学习网络的行人检测方法、装置及系统。
技术介绍
行人检测是目标检测技术中的一个重要部分，在客流统计、安防监控、智能交通等众多领域都具有广泛的应用。基于深度学习网络的行人检测模型是目前比较先进的行人检测技术，虽然随着深度学习技术的不断发展，该行人检测模型的性能也在不断提高，但其在应用时仍具有一定的局限性，主要体现在其仅能保证对待检测图像中显示大小在一定范围内的目标行人具有较佳的检测效果，即该行人检测模型存在一个最佳检测尺寸范围，对于待检测图像中尺寸过大或过小(超出其最佳检测尺寸范围)的目标行人，可能会因提取到的有效特征过少等因素而导致漏检、误检等现象。实际应用中，由于成像设备(照相机或摄像机)的透视成像原理，实际大小相同的物体在其拍摄图像中会呈现“近大远小”的特性；例如，对于身高、体型相同的两个行人A和B，距离成像设备较近的行人A在拍摄图像中的显示大小可能为4*30像素，而距离成像设备较远的行人B在拍摄图像中的显示大小可能仅为2*15像素。有鉴于此，当目标场景的空间范围较大(如大厅、广场等场本文档来自技高网...

【技术保护点】
一种基于深度学习网络的行人检测方法，其特征在于，该方法包括：获取目标场景的待检测图像、预先确定的子区域位置信息和与所述子区域位置信息一一对应的最佳缩放比；根据所述子区域位置信息，提取所述待检测图像中的待检测子区域，并将所述待检测子区域按照对应的所述最佳缩放比进行缩放处理；获取基于深度学习网络的行人检测模型，通过所述行人检测模型对经过缩放处理后的待检测子区域进行行人检测。

【技术特征摘要】
1.一种基于深度学习网络的行人检测方法，其特征在于，该方法包括：获取目标场景的待检测图像、预先确定的子区域位置信息和与所述子区域位置信息一一对应的最佳缩放比；根据所述子区域位置信息，提取所述待检测图像中的待检测子区域，并将所述待检测子区域按照对应的所述最佳缩放比进行缩放处理；获取基于深度学习网络的行人检测模型，通过所述行人检测模型对经过缩放处理后的待检测子区域进行行人检测。2.根据权利要求1所述的行人检测方法，其特征在于，还包括：获取所述目标场景的样本图像和至少两个不同的预设缩放比；将所述样本图像分别按照每个所述预设缩放比进行缩放处理，得到与所述预设缩放比一一对应的缩放后图像；通过所述行人检测模型对每个所述缩放后图像进行行人检测；获取各个所述缩放后图像对应的行人检测信息，并根据所述行人检测信息分析所述样本图像的不同区域在不同预设缩放比下的检测准确度；获取所述样本图像中检测准确度满足预设要求的至少一个区域的区域坐标和对应的预设缩放比，并将其记为所述子区域位置信息和对应的最佳缩放比。3.根据权利要求2所述的行人检测方法，其特征在于，所述行人检测信息包括检测到的目标行人在所述样本图像中的实际坐标(x0，y0)、实际尺寸z0、检测置信度，以及检测到所述目标行人的缩放后图像对应的预设缩放比；所述根据所述行人检测信息分析所述样本图像的不同区域在不同预设缩放比下的检测准确度的步骤，包括：获取所述行人检测信息中所述检测置信度大于置信度阈值的有效检测信息；根据各条所述有效检测信息中的实际坐标(x0，y0)和实际尺寸z0进行拟合处理，得到目标拟合函数z＝f(x,y)，并根据所述目标拟合函数z＝f(x,y)确定所述实际坐标(x0，y0)对应的拟合尺寸z’；将所述样本图像按照预设方向平均分割为预设个数的样本子区域；根据各条所述有效检测信息中的实际坐标(x0，y0)分别筛选每个所述样本子区域对应的有效检测信息；针对每个所述样本子区域，根据其对应的有效检测信息中的预设缩放比，筛选出所述样本子区域内每个预设缩放比对应的有效检测信息；针对每个所述样本子区域内每个预设缩放比对应的有效检测信息中的实际尺寸z0和对应的拟合尺寸z’，获取每个所述样本子区域在每个所述预设缩放比下的尺寸误差均值4.根据权利要求3所述的行人检测方法，其特征在于，所述获取所述样本图像中检测准确度满足预设要求的至少一个区域的区域坐标和对应的预设缩放比，并将其记为所述子区域位置信息和对应的最佳缩放比的步骤，包括：获取所述尺寸误差均值小于预设误差均值的预设缩放比作为对应样本子区域的备选缩放比；对相邻且具有至少一个相同备选缩放比的两个所述样本子区域进行合并；获取合并得到的各个区域的区域坐标和对应的相同备选缩放比，并将其一一对应标记为所述待检测图像中要提取的各个所述待检测子区域的子区域位置信息和对应的最佳缩放比。5.根据权利要求3所述的行人检测方法，其特征在于，所述根据各条所述有效检测信息中的实际坐标(x0，y0)和实际尺寸z0进行拟合处理，得到目标拟合函数z＝f(x,y)的步骤，包括：根据各条所述有效检测信息中的实际坐标(x0，y0)和实际尺寸z0，执行基于最小二乘法的第一次拟合操作，得到试拟合函数z＝f1(x,y)；根据所述试拟合函数z＝f1(x,y)分别确定每条所述有效检测信息中的实际坐标(x0，y0)对应的试拟合尺寸z1；确定所述试拟合尺寸z1与对应的实际尺寸z0之间的试拟合尺寸误差，并获取所述试拟合尺寸误差小于预设误差阈值的有效检测信息作为优选检测信息；根据各条所述优选检测信息中的实际坐标(x0，y0)和实际尺寸z0，执行基于最小二乘法的第二次拟合操作，得到所述目标拟合函数z＝f(x,y)。6.根据权利要求3至5任一项所述的行人检测方法，其特征在于，在得到所述目标拟合函数z＝f(x,y)之后，所述方法还包括：确定尺寸下限系数u1和尺寸上限系数u2，使得所述有效检测信息中的实际坐标(x0，y0)对应的实际尺寸z0落在其对应的拟合尺寸z’限定的验证区间[u1z’,u2z’]内；其中，0＜u1＜1，u2＞1；在所述通过所述行人检测模型对经过缩放处理后的待检测子区域进行行人检测的步骤之后，所述方法还包括：针对所述行人检测模型检测到的每个目标行人，获取其在所述待检测图像中的目标坐标(xv，yv)和目标检测尺寸zv；根据所述目标拟合函数确定所述目标坐标(xv，yv)对应的目标拟合尺寸z'v；判断所述目标检测尺寸zv是否落在由所述尺寸下限系数u1、尺寸上限系数u2和目标拟合尺寸z'v所确定的验证区间[u1z'v,u2z'v]内；存储所述目标检测尺寸落在对应的验证区间内的有效检测结果，舍弃所述目标检测尺寸未落在对应的验证区间内的误检结果。7.根据权利要求6所述的行人检测方法，其特征在于，所述方法还包括：分别统计所述有效检测结果的个数L1和所述误检结果的个数L2；根据所述L1和L2确定误检率；当所述误检率大于误检率阈值时，重新执行所述获取所述目标场景的样本图像和至少两个不同的预设缩放比的步骤及其后续步骤，以重新确定所述待检测子区域对应的子区域位置信息和最佳缩放比，及所述目标拟合函数。8.一种基于深度学习网络的行人检测装置，其特征在于，包括：待检测信息获取模块、预处理模块和行人检测模块；其中，所述待检测信息获取模块，用于获取目标场景的待检测图像、预先确定的子区域位置信息和与所述子区域位置...

【专利技术属性】
技术研发人员：陶海，柯家琪，杨帆，
申请(专利权)人：北京文安智能技术股份有限公司，
类型：发明
国别省市：北京,11