The invention relates to the field of computer vision, in particular to an embedded real-time human shape detection method and device. The method includes: obtaining a human shape detection model based on convolution neural network through training beforehand; collecting images in the space to be measured by human shape detection device, and calculating ROI region; selecting detection stage according to ROI region, dynamically adjusting image resolution, and Adjusted image input human shape detection model; using human shape detection model, combined with multi-core parallel algorithm and fast convolution algorithm to convolute the input image, extract feature data; according to the feature data, get a number of human shape candidate boxes, filter and fusion, and finally determine the human shape target. The method is based on convolution neural network for model training, with high detection accuracy, combined with multi-core parallel and fast convolution algorithm, and dynamically adjusts model resolution and focal length. The hardware requirement is low, and can meet the miniaturization requirement of human body detection module.
【技术实现步骤摘要】
一种嵌入式实时人形检测方法和装置
本专利技术涉及计算机视觉领域，更具体地，涉及一种嵌入式实时人形检测方法和装置。
技术介绍
人形检测是计算机视觉中的重要研究课题，被广泛应用于智能视频监控、车辆辅助驾驶、智能交通、智能机器人等领域。主流的人形检测方法分为基于人工图像特征的统计学习方法和基于人工神经网络的深度学习方法。统计学习方法对于人体目标的对数平均漏检率一般为15％左右，速度运行较快，可在CPU上进行实时检测，但是易受遮挡和背景的影响。而深度学习方法的对数平均漏检率低至7％，抗干扰能力强对遮挡和背景有较好的区分，但运行速度较慢，不利于在硬件资源受限的嵌入式系统上实现实时检测。由此可见，现有的人体检测方法存在严重的精度与性能的矛盾，当检测速度快时，检测精度较低；而如果希望检测精度高，则对硬件性能要求高，难以满足人体检测模块小型化要求的问题。鉴于此，克服上述现有技术所存在的缺陷是本
亟待解决的问题。
技术实现思路
本专利技术需要解决的技术问题是：传统的人形检测方法存在严重的精度与性能的矛盾，当检测速度快时，检测精度较低；而如果希望检测精度高，则对硬件性能...
【技术保护点】
1.一种嵌入式实时人形检测方法，其特征在于，预先通过训练得到基于卷积神经网络的人形检测模型，并保存在人形检测装置中；则人形检测方法包括：利用人形检测装置在待测空间范围内进行图像采集，并针对当前采集到的图像计算ROI区域；根据ROI区域选择检测策略中的检测阶段，进而动态调整图像分辨率，并将调整后的ROI区域图像输入所述人形检测模型；利用所述人形检测模型，结合多核并行算法和快速卷积算法对输入的图像进行卷积运算，进而提取到特征数据；根据特征数据得到多个人形候选框，通过对所述多个人形候选框进行筛选融合，最终确定待测空间范围内的人形目标；其中，所述检测策略包括至少两个检测阶段，所述人...
【技术特征摘要】
1.一种嵌入式实时人形检测方法，其特征在于，预先通过训练得到基于卷积神经网络的人形检测模型，并保存在人形检测装置中；则人形检测方法包括：利用人形检测装置在待测空间范围内进行图像采集，并针对当前采集到的图像计算ROI区域；根据ROI区域选择检测策略中的检测阶段，进而动态调整图像分辨率，并将调整后的ROI区域图像输入所述人形检测模型；利用所述人形检测模型，结合多核并行算法和快速卷积算法对输入的图像进行卷积运算，进而提取到特征数据；根据特征数据得到多个人形候选框，通过对所述多个人形候选框进行筛选融合，最终确定待测空间范围内的人形目标；其中，所述检测策略包括至少两个检测阶段，所述人形检测装置根据预设的状态转移条件在所述至少两个检测阶段间进行动态转移。2.根据权利要求1所述的嵌入式实时人形检测方法，其特征在于，所述预先通过训练得到基于卷积神经网络的人形检测模型具体为：从人体姿态数据集中筛选多个符合要求的人形样本，以生成包含多姿态、多视角、多尺度人形样本的人形数据集；利用卷积神经网络算法，对所述人形数据集中各人形样本的图像特征进行深度学习，得到基于卷积神经网络的人形检测模型。3.根据权利要求2所述的嵌入式实时人形检测方法，其特征在于，所述从人体姿态数据集中筛选多个符合要求的人形样本，以生成包含多姿态、多视角、多尺度人形样本的人形数据集，具体包括：遍历所述人体姿态数据集中的每一个人形，得到多个人形样本；随机对所述多个人形样本中的一个或多个进行图像变换，得到更多数量的人形样本；其中，所述图像变换包括剪裁、平移、旋转、色彩变换、缩放和模糊处理中的一项或者多项；根据遍历操作以及图像变换操作得到的各个人形样本，生成包含多姿态、多视角、多尺度人形样本的人形数据集；其中，对于人形像素低于第一预设阈值的人形样本，和/或人形姿态倒立的人形样本，从所述人形数据集中剔除。4.根据权利要求2所述的嵌入式实时人形检测方法，其特征在于，所述利用卷积神经网络算法，对所述人形数据集中各人形样本的图像特征进行深度学习，得到基于卷积神经网络的人形检测模型，具体包括：利用卷积神经网络算法，对所述人形数据集中各人形样本图像进行一系列卷积和池化操作，使得对于每个人形样本，分别得到第一分辨率和第二分辨率两种分辨率维度下的特征数据；对每个人形样本，将两种分辨率维度下的特征数据相关联，并根据每个人形样本两种分辨率维度下的特征数据建立人形检测模型；其中，所述第二分辨率高于所述第一分辨率。5.根据权利要求1所述的嵌入式实时人形检测方法，其特征在于，所述针对当前采集到的图像计算ROI区域具体为：将当前帧与上一帧做分块差分运算，得到当前帧的运动前景区域；对上一帧的人形目标位置检测结果提取最小外接矩形，作为当前帧的静态前景区域；取所述运动前景区域与所述静态前景区域的外接矩形，作为当前帧的ROI区域；其中，如果当前帧为采集的第一帧图像，则对应的ROI区域为整幅图。6.根据权利要求1所述的嵌入式实时人形检测方法，其特征在于，所述人形检测装置包括红外热释电传感器和红外摄像头，所述检测策略包括阶段一、阶段二和阶段三总共三个检测阶段；在阶段一，所述红外热释电传感器处于开启状态，以便进行人形检测，而所述红外摄像头处于关闭状态；在阶段二，所述红外热释电传感器处于开启状态，所述红外摄像头也处于开启状态，以便进行图像采集，且采集的图像分辨率调整至第一分辨率，以便使用第一分辨率的图像进行人形检测；在阶段三，所述红外热释电传感器处于开启状态，所述红外摄像头也处于开启状态，以便进行图像采集，且采集的图像分辨率调整至第二分辨率，以便使用第二分辨率的图像进行人形检测；其中，所述第二分辨率高于所述第一分辨率。7.根据权利要求6所述的嵌入式实时人形检测方法，其特征在于，所述人形检测装置初始处于阶段一，则在所述待测空间范围内，所述人形检测装置在三个阶段之间进行状态转移的预设条件具体为：当所述红外热释电传感器未检测到人时，所述人形检测装置将保持在阶段一；当所述红外热释电传感器检测到人时，所述人形检测装置进入阶段二，进而开启红外摄像头，并使用第一分辨率进行检测；当使用第一分辨率检测到人且ROI区域在整幅图的占比在预设比例以下时，所述人形检测装置将保持在阶段二；当使用第一分辨率检测到人且ROI区域在整幅图的占比在预设比例以上时，或使用第一分辨率未检测到人时，所述人形检测装置进入阶段三，进而换用第二分辨率进行检测；当使用第二分辨率检测到人且ROI区域在整幅图的占比在预设比例以下时，所述人形检测装置进入阶段二，进而换用第一分辨率进行检测；当使用第二分辨率检测到人且ROI区域在整幅图的占比在预设比例以上时，所述人形检测装置将保持在阶段三；当使用第二分辨率未检测到人时，所述人形检测装置进入阶段一，关闭所述红外摄像头。8.根据权利要求7所述的嵌入式实时人形检测方法，其特征在于，所述根据ROI区域选择检测策略中的检测阶段，进而动态调整焦...
【专利技术属性】
技术研发人员：郑威，程小科，
申请(专利权)人：武汉领普科技有限公司，
类型：发明
国别省市：湖北,42
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。