一种基于CNN两阶段人体检测的区域防范方法、系统以及终端技术方案

本发明专利技术公开了一种基于CNN两阶段人体检测的区域防范方法及装置，涉及计算机视觉应用技术领域。本发明专利技术基于卷积神经网络对监控视频流中的图片进行区域防范，包括在图片中构建检测区域以及识别人体，并判断人体是否在构建的检测区域内，若人体在检测区域内，则执行报警操作。本发明专利技术提供的技术方案可实现在设定的防范区域进行人体进入的实时检测和报警，在实际生产环境中检测准确率高于85％，大大减轻了监管人员的工作强度，提高了自动化管理水平。

A Regional Preventive Method, System and Terminal Based on CNN Two-stage Human Detection

The invention discloses a region prevention method and device based on CNN two-stage human body detection, which relates to the field of computer vision application technology. The invention is based on convolution neural network to prevent the area of the picture in the monitoring video stream, including constructing the detection area in the picture and identifying the human body, and judging whether the human body is in the detection area constructed, and if the human body is in the detection area, the alarm operation is carried out. The technical scheme provided by the invention can realize real-time detection and alarm of human body entry in a set preventive area, and the detection accuracy is higher than 85% in the actual production environment, which greatly reduces the work intensity of supervisors and improves the level of automatic management.

【技术实现步骤摘要】
一种基于CNN两阶段人体检测的区域防范方法、系统以及终端
本专利技术涉及计算机视觉应用
，尤其涉及一种基于CNN两阶段人体检测的区域防范方法、系统以及终端。
技术介绍
随着人工智能和多媒体的发展，视频监控在社会各领域特别是安全生产领域应用越来越广。区域防范是公共安全防范中最为基础的系统，是防止非法入侵和异常事件的第一道防线，也是非常重要的一道防线。视频区域防范是建立在传统周界防范概念基础上，通过应用智能视频分析技术，不但具备入侵报警作用，而且还能通过前端的视频监控设备实时了解监控区域的情况，一旦发生入侵行为，第一时间发出警示，并及时告知安保人员进行处理。然而，由于树叶摇晃、灯光照射、动物穿越等因素产生的大量误报大大影响了用户的使用体验。目标检测是机器视觉中最常见的问题，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力，近年来，目标检测在人工智能，人脸识别，无人驾驶等领域都得到了广泛的应用。由于光照变化、局部遮挡、目标尺度变化等原因，导致检测难度增大，复杂背景下的目标检测是近年来理论和应用的研究热点。然而，在目标检测的过程中会受到各种各样干扰，比如角度、遮挡、光线强度等因素，这些因素会导致目标发生畸变，为目标检测增加了新的挑战。传统目标检测算法有着两个主要的缺陷：(1)使用滑动窗口策略进行区域选择时针对性不强，提高了时间复杂度和窗口冗余；(2)手动设计的特征对于目标的多样性并没有很好的鲁棒性。
技术实现思路
本专利技术所要解决的技术问题是针对传统目标检测算法的两个缺陷，提供一种简单、准确兼顾检测速度的识别人体是否进入防范区域的检测方法、系统以及终端。为了解决上述问题，本专利技术提出以下技术方案：第一方面，本专利技术提出一种基于人体检测的区域防范方法，包括以下步骤：S1，选取图片，在所述图片中构建检测区域，所述检测区域包含防范区域；S2，在所述图片的卷积特征层上利用k个不同的矩形框进行区域提名，筛选出人体候选区域，其中，k为正整数；S3，利用卷积神经网络自动对所述候选区域进行特征提取；S4，利用人体分类器模型对所述提取的特征进行分类、回归，识别所述图片是否存在人体。S5，若存在，则判断人体是否在构建的检测区域内；S6，若是，则执行报警操作。其进一步地技术方案为，所述在选取的图片中构建检测区域，包括：在所述图片上标注至少3个角点；依次连接各角点，形成闭合区域，所述闭合区域即为检测区域。其进一步地技术方案为，所述k取值9。其进一步地技术方案为，所述步骤S2之前还包括：收集包含人体的样本图片，对所述样本图片进行标注，训练得到人体分类器模型的参数。其进一步地技术方案为，所述特征包括图像的纹理特征、边缘特征以及运动特征；所述纹理特征包括图像的灰度直方图、边缘方向直方图、灰度共生矩阵；所述边缘特征包括图像的周长、面积、宽高比、分散度、紧密度；所述运动特征包括运动质心、速度、位移以及梯度。其进一步地技术方案为，所述判断人体是否在构建的检测区域内，包括：将人体的位置标注为人体位置点；以人体位置点做一条射线，判断射线与闭合区域的交点总数是否为奇数；若所述交点总数为奇数，则判定人体在构建的检测区域内。其进一步地技术方案为，所述以人体位置点做一条射线之前，还包括：判断所述人体位置点是否在闭合区域的边界上；若是，则判定人体在构建的检测区域内；若否，则执行以人体位置点做一条射线，判断射线与闭合区域的交点总数是否为奇数的步骤。其进一步地技术方案为，所述图片为实时视频流中的I帧图片。第二方面，本专利技术提出一种基于人体检测的区域防范系统，包括：用于执行如第一方面所述的方法的单元。第三方面，本专利技术实施例提供了一种终端，该终端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的应用程序代码，所述处理器被配置用于执行上述第一方面的方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。与现有技术相比，本专利技术所能达到的技术效果包括：本专利技术应用深度学习技术，基于卷积神经网络对监控视频流中的图片进行区域防范，包括在图片中构建检测区域、通过在图片的卷积特征层上利用k个不同的矩形框进行区域提名以加速识别人体，并判断人体是否在构建的检测区域内，进而执行报警操作。本专利技术提供的技术方案兼具检测速度和准确度，可实现在设定的防范区域进行人体进入的实时检测和报警，在实际生产环境中检测准确率高于85％，大大减轻了监管人员的工作强度，提高了自动化管理水平。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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的附图。图1为本专利技术实施例提供的基于人体检测的区域防范方法流程图；图2为本专利技术实施例提供的基于人体检测的区域防范系统示意图；图3为本专利技术实施例提供的一种终端示意图；图4为本专利技术实施例S101步骤的具体流程图；图5为本专利技术实施例S101步骤构建的检测区域示意图；图6为本专利技术实施例识别人体的具体流程图；图7为本专利技术实施例S105步骤的示意图；图8为本专利技术实施例S105步骤的具体流程图。具体实施方式下面将结合本专利技术实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，附图中类似的组件标号代表类似的组件。显然，以下将描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术实施例说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术实施例。如在本专利技术实施例说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。在生产生活的很多行业，都存在一些区域，根据安全生产操作规定，需要禁止人员进入，例如建筑工地起重车臂的下方区域，监狱围墙周边区域等都属于禁区，需要监管。基于上述需求，本专利技术实施例提出一种基于人体检测的区域防范方法和系统，能够自动化识别特定区域的人员，提高监管水平。见以下实施例：实施例参见图1，本专利技术实施例提出一种基于人体检测的区域防范方法，由图可知，其包括以下步骤：S101，选取图片，在所述图片中构建检测区域，所述检测区域包含防范区域。参见图4，其为为本专利技术实施例S101步骤的具体流程图。具体实施中，在含有防范区域的实时视频流中选取I帧图片，构建检测区域。一般的，在视频流中存在三种编码帧：帧内编码帧(I帧)，预测编码帧(P帧)和双向编码帧(B帧)。I帧只利用本帧空间相关性进行视频压缩，P帧利用前向参考帧进本文档来自技高网...

【技术保护点】
1.一种基于人体检测的区域防范方法，其特征在于，包括以下步骤：S1，选取图片，在所述图片中构建检测区域，所述检测区域包含防范区域；S2，在所述图片的卷积特征层上利用k个不同的矩形框进行区域提名，筛选出人体候选区域，其中，k为正整数；S3，利用卷积神经网络自动对所述候选区域进行特征提取；S4，利用人体分类器模型对所述提取的特征进行分类、回归，识别所述图片是否存在人体。S5，若存在，则判断人体是否在构建的检测区域内；S6，若是，则执行报警操作。

【技术特征摘要】
1.一种基于人体检测的区域防范方法，其特征在于，包括以下步骤：S1，选取图片，在所述图片中构建检测区域，所述检测区域包含防范区域；S2，在所述图片的卷积特征层上利用k个不同的矩形框进行区域提名，筛选出人体候选区域，其中，k为正整数；S3，利用卷积神经网络自动对所述候选区域进行特征提取；S4，利用人体分类器模型对所述提取的特征进行分类、回归，识别所述图片是否存在人体。S5，若存在，则判断人体是否在构建的检测区域内；S6，若是，则执行报警操作。2.如权利要求1所述的基于人体检测的区域防范方法，其特征在于，所述在选取的图片中构建检测区域，包括：在所述图片上标注至少3个角点；依次连接各角点，形成闭合区域，所述闭合区域即为检测区域。3.如权利要求1所述的基于人体检测的区域防范方法，其特征在于，所述k取值9。4.如权利要求3所述的基于人体检测的区域防范方法，其特征在于，所述步骤S2之前还包括：收集包含人体的样本图片，对所述样本图片进行标注，训练得到人体分类器模型的参数。5.如权利要求4所述的基于人体检测的区域防范方法，其特征在于，所述提取的特征包括图像的纹理特征、边缘特征以及运动特征；所述纹理特征包括图像的灰度直方图、边缘方向直方图、灰度共生矩阵；所述边缘特征包...

【专利技术属性】
技术研发人员：宋建斌，张青，方思军，吴冬冬，吴武勋，叶海青，霍炼楚，
申请(专利权)人：广东亿迅科技有限公司，
类型：发明
国别省市：广东,44