The invention discloses a method and system of human figure recognition for multi-occlusion fuzzy scenes based on depth learning, which relates to human figure recognition and positioning system, in particular to a method and system of human figure recognition for multi-occlusion fuzzy scenes based on depth learning, in order to solve the problem that the human figure recognition and positioning system under the existing technology can not be complicated in light source. In the case of multi-occlusion, the pedestrian can be quickly identified and positioned. The pedestrian detection model is trained based on deep learning, and the pedestrian detection model is trained by the depth learning algorithm to detect and locate the pedestrian, and then the system alarm process is carried out according to the obtained detection and positioning information. High-precision detection model can realize the purpose of fast recognition and location of pedestrians in multi-occlusion blurred scenes, with higher accuracy and better reliability.
【技术实现步骤摘要】
一种基于深度学习的多遮挡模糊场景人形识别方法及系统
本专利技术涉及人形识别与定位系统,尤其涉及一种基于深度学习的多遮挡模糊场景人形识别方法及系统。
技术介绍
多遮挡模糊场景主要是指真实的作业场景,区别于实验室中的模拟测试场景。多遮挡模糊场景具有以下特点:高光照度场景,夜间无光照场景,场景复杂度高,场景中行人遮挡严重,监控器分辨率不高。该算法完全针对真实场景,对于绝大多数极端场景有极好的容错性,在实际应用中具有极高的实际意义。人形识别算法主要是针对场景中的行人进行识别,定位,跟踪的一套系统。该系统具有十分广泛的应用场景,例如:行人闯入报警,指定区域越界报警,行人热力图分布等。现主要应用于仓库内非工作时间的陌生人闯入报警,以及指定区域的越界报警,可以大量减少误报,错报,降低安防系统的整体工作压力,并显著提升报警精度,提高安防的安全性。因此,行人识别技术在物联网技术中扮演着非常重要的角色,同时使得报警系统更加智能化,精确化,安全化。现有技术下的人形识别与定位系统主要应用于场景空旷行人稀少的地点,对于遮挡较为严重的复杂场景,如仓库,林园,建筑工地等场景的支持严重不足,同时一般识别系统主要应用于稳定光源的场景进行监控布防,夜间多使用红外摄像机实时监控,这种方式成本较高且不是十分稳定,对于光线变化频繁,光纤严重不足或者光线过于充足等情况不是很理想,此外常见的效果较好的人形识别系统对于算力要求较高,一般0.1~3fps无法达到实时监控的要求,同时摄像机数量增加时,对服务器压力也是非常大的。因此设计一种能够在光源复杂情况下,实现多遮挡场景行人快速识别和定位的系统很有现实意 ...
【技术保护点】
1.一种基于深度学习的多遮挡模糊场景人形识别方法,其特征在于,包括以下步骤:S1、图像采集:通过图像采集模块采集图像数据样本;S2、图像预处理:采用多种图像处理方法随机对S1中采集到的图像数据样本进行处理,得到数据集;S3、行人检测模型训练:通过人工打标签的方式对上述S2中预处理后得到的数据集进行数据标注,同时搭建深度学习网络并调整网络参数后,再将标注后的数据集投入深度学习网络中进行训练;S4、行人检测及定位:通过S3中训练后的行人检测模型处理实时图像,检测并得到行人信息。
【技术特征摘要】
1.一种基于深度学习的多遮挡模糊场景人形识别方法,其特征在于,包括以下步骤:S1、图像采集:通过图像采集模块采集图像数据样本;S2、图像预处理:采用多种图像处理方法随机对S1中采集到的图像数据样本进行处理,得到数据集;S3、行人检测模型训练:通过人工打标签的方式对上述S2中预处理后得到的数据集进行数据标注,同时搭建深度学习网络并调整网络参数后,再将标注后的数据集投入深度学习网络中进行训练;S4、行人检测及定位:通过S3中训练后的行人检测模型处理实时图像,检测并得到行人信息。2.根据权利要求1所述的一种基于深度学习的多遮挡模糊场景人形识别方法,其特征在于,根据S4得到的行人信息启动报警流程,并判断是否触发报警。3.根据权利要求2所述的一种基于深度学习的多遮挡模糊场景人形识别方法,其特征在于,所述系统报警流程为:流程1、图像采集模块开始行人检测采集数据;流程2、进行动态检测并判断是否发现移动目标,若不是,返回流程1,若是,进入下一流程;流程3、加载行人检测模型;流程4、进行行人识别并判断是否有人,若不是,返回流程1,若是,进入下一流程;流程5、返回行人数量及行人坐标并根据布防策略判断是否报警,若无需报警,返回流程1,若需要报警,则进入下一流程;流程6、拍照并上传服务器;流程7、发送报警信息。4.根据权利要求1所述的一种基于深度学习的多遮挡模糊场景人形识别...
【专利技术属性】
技术研发人员:唐苏,马俊,胡德见,王朝志,杨波,
申请(专利权)人:四川物联亿达科技有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。