行人检测方法、装置、计算机设备及存储介质制造方法及图纸

本申请涉及智能决策领域，利用机器学习和深度学习检测行人。具体公开了一种行人检测方法、装置、计算机设备及存储介质，该方法包括：获取待检测图像；确定待检测图像中的目标物体以及目标物体对应的人类基线；根据人类基线生成所目标物体对应的边界框；根据边界框确定待检测图像中的候选区域；将候选区域内的图像作为目标图像输入至卷积神经网络以使卷积神经网络提取目标图像对应的目标特征；将所述目标特征输入至预先训练的分类器进行分类识别以得到识别结果。

Pedestrian detection methods, devices, computer equipment and storage media

【技术实现步骤摘要】
行人检测方法、装置、计算机设备及存储介质
本申请涉及行人检测
，尤其涉及一种行人检测方法、装置、计算机设备及存储介质。
技术介绍
近年来，以深度学习为主的人工智能发展迅猛，其中关于行人检测是最为活跃的一个研究方向，行人检测即是将图像中出现的行人从背景中区分出来并精准定位。并且行人检测在许多领域都有广泛应用，如视频监控领域、智能机器人领域、汽车辅助驾驶和自动驾驶领域，在这些领域中行人检测都是必不可少的技术。但是由于行人的人体姿态各异，衣着变化多样，图像又容易受到光照和环境影响以及人体部位被遮挡等因素，使得行人检测难以精准定位，虽然卷积神经网络可以取得较好检测效果，但是在小尺寸目标的检测上存在一定的局限性。因此，有必要提供一种行人检测方法以解决上述问题。
技术实现思路
本申请提供了一种行人检测方法、装置、计算机设备及存储介质，以提高行人检测的准确率，进而达到应用的要求。第一方面，本申请提供了一种行人检测方法，所述方法包括：获取待检测图像；确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线；根据所述人类基线生成所述目标物体对应的边界框；根据所述边界框确定所述待检测图像中的候选区域；将所述候选区域内的图像作为目标图像输入至卷积神经网络以使所述卷积神经网络提取所述目标图像对应的目标特征；将所述目标特征输入至预先训练的分类器进行分类识别以得到识别结果。第二方面，本申请还提供了一种行人检测装置，所述装置包括：图像获取单元，用于获取待检测图像；目标基线确定单元，用于确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线；边界框生成单元，用于根据所述人类基线生成所述目标物体对应的边界框；区域确定单元，用于根据所述边界框确定所述待检测图像中的候选区域；特征提取单元，用于将所述候选区域内的图像作为目标图像输入至卷积神经网络以使所述卷积神经网络提取所述目标图像对应的目标特征；特征识别单元，用于将所述目标特征输入至预先训练的分类器进行分类识别以得到识别结果。第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的行人检测方法。第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的行人检测方法。本申请公开了一种行人检测方法、装置、设备及存储介质，通过先确定获取的待检测图像中的目标物体以及对应的人类基线；根据人类基线生成对应的边界框；再根据边界框确定待检测图像中的候选区域；将候选区域内的图像作为目标图像输入至卷积神经网络以使所述卷积神经网络提取所述目标图像对应的目标特征；以及将目标特征输入至预先训练的分类器进行分类识别以得到识别结果，该识别结果行人和非行人。该方法可以提高行人检测的准确率，进而满足各种应用的行人检测要求。附图说明为了更清楚地说明本申请实施例技术方案，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申请的一些实施例，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是本申请的实施例提供的一种行人检测方法的示意流程图；图2是图1中提供的行人检测方法的子步骤示意流程图；图3是图2中提供的行人检测方法的子步骤示意流程图；图4a是本申请的实施例提供的生成边界框的效果示意图；图4b是本申请的实施例提供的调整边界框的效果示意图；图5是图1中提供的行人检测方法的另一子步骤示意流程图；图6是本申请的实施例提供的另一种行人检测方法的示意流程图；图7是本申请的实施例提供的边框回归技术的示意性框图；图8为本申请实施例提供的一种行人检测装置的示意性框图；图9为本申请实施例提供的另一种行人检测装置的示意性框图；图10为本申请一实施例提供的一种计算机设备的结构示意性框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。本申请的实施例提供了一种行人检测方法、行人检测装置、计算机设备及存储介质，可用于视频监控领域、智能机器人领域、汽车辅助驾驶和自动驾驶领域。例如，应用于视频监控领域，对道路上的行人进行识别分类以区分行人和非行人；再例如，应用于智能机器人领域，对智能机器人前面的行人进行检测，以便规划智能机器人的行走路线等。在具体的应用中，该行人检测方法可以应用于终端或服务器中，或者服务器和终端交互使用，以快速准确地识别出待检测图像中的行人。服务器和终端交互使用，比如服务器将识别结果发送终端进行应用。其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理、穿戴式设备等电子设备或智能机器人。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图1，图1是本申请的实施例提供的一种行人检测方法的示意流程图。该行人检测方法可以应用于终端或服务器中，对获取的拍摄图像进行检测以识别该图像中的行人和非行人。如图1所示，该行人检测方法具体包括：步骤S101至步骤S106。S101、获取待检测图像。其中，所述待检测图像为视频中的图像，当然也可以为连续拍摄的多帧图像。具体地，该视频可以为实时视频或视频录像，待检测图像为该视频中某一帧图像或者几帧图像。例如，可以通过摄像头实时采集相应场景的视频，并将视频中的图像作为待检测图像。其中，相应场景比如为商城、道路的十字路口或学校门口等，由于该待检测图像为实时视频中的图像，因此可能包括行人。S102、确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线。具体地，可利用目标确定算法确定所述待检测图像中出现的目标物体，该目标物体比如为行人、动物、机动车辆或非激动车辆等。其中，目标确定算法比如包括图像处理算法、特征提取算法或帧间差分算法等等。在一个实施例中，提供了一个人类基线确认的步骤，如图2所示，该步骤S102具体包括以下内容：S102a、根据帧间差分算法确定所述待检测图像中的目标物体。具体地，如图3所示，步骤S102a包括以下内容：S102a1、提取所述视频中相对所述待检测图像延后预设帧数的延后帧图像；S102a2、将所述延后帧图像与所述待检测图像相减以得到差分图像；S102a3、对所述差分图像进行阈值处理得到所述差分图像对应的二值图像；S102a4、根据所述二值图像确定所述待检测图像中的目标物体。提取所述视频中相对所述待检测图像延后预设帧数的延后帧图像，比如提取相对待检测图像延后2帧的延后帧图像，该预设帧数也可以其他帧数，比如延后1帧或4帧等；当然预设帧数可以与视频的采集频率相关，比如采集频率大，本文档来自技高网...

【技术保护点】
1.一种行人检测方法，其特征在于，包括：获取待检测图像；确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线；根据所述人类基线生成所述目标物体对应的边界框；根据所述边界框确定所述待检测图像中的候选区域；将所述候选区域内的图像作为目标图像输入至卷积神经网络以使所述卷积神经网络提取所述目标图像对应的目标特征；将所述目标特征输入至预先训练的分类器进行分类识别以得到识别结果。

【技术特征摘要】
1.一种行人检测方法，其特征在于，包括：获取待检测图像；确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线；根据所述人类基线生成所述目标物体对应的边界框；根据所述边界框确定所述待检测图像中的候选区域；将所述候选区域内的图像作为目标图像输入至卷积神经网络以使所述卷积神经网络提取所述目标图像对应的目标特征；将所述目标特征输入至预先训练的分类器进行分类识别以得到识别结果。2.根据权利要求1所述的行人检测方法，其特征在于，所述确定所述待检测图像中的目标物体以及所述目标物体对应的人类基线，包括：根据帧间差分算法确定所述待检测图像中的目标物体；基于人类注释规则，对所述目标物体作基准线处理以得到所述目标物体对应的人类基线，所述人类注释规则用于通过从行人头顶到两脚之间的点画一条线完成注释。3.根据权利要求2所述的行人检测方法，其特征在于，所述根据帧间差分算法确定所述待检测图像中的目标物体，包括：提取所述视频中相对所述待检测图像延后预设帧数的延后帧图像；将所述延后帧图像与所述待检测图像相减以得到差分图像；对所述差分图像进行阈值处理得到所述差分图像对应的二值图像；以及根据所述二值图像确定所述待检测图像中的目标物体。4.根据权利要求3所述的行人检测方法，其特征在于，所述对所述差分图像进行阈值处理得到所述差分图像对应的二值图像，包括：确定所述差分图像中像素值大于预设阈值的像素点；以及，根据大于所述预设阈值的像素点确定所述差分图像对应的二值图像，所述二值图像表示为：其中，S(i,j)表示所述二值图像，T为所述预设阈值，(i,j)表示离散图像的坐标，D表示所述差分图像；所述根据所述二值图像确定所述待检测图像中的目标物体，包括：将所述二值图像中S(i,j)为1对应的区域设为运动区域；对所述运动区域通过形态学处理和连通性分析去除噪点，以确定所述待检测图像中的目标物体。5.根据权利要求1所述的行人检测方法，...

【专利技术属性】
技术研发人员：王健宗，彭俊清，瞿晓阳，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44