一种融合图像预处理与深度学习目标检测的人头检测方法技术

本发明专利技术公开一种融合图像预处理与深度学习目标检测的快速精确的人头检测方法，方法包括：实时获取监控图像数据；对获取到的监控图像数据进行预处理；将预处理后的监控图像数据输入至预先训练的神经网络，得到监控图像数据中的待选区域anchor及其对应的偏移值与置信度；根据神经网络输出的anchor的置信度，选择存在目标的anchor；根据神经网络输出的anchor的偏移值，计算对应相应目标的预测边界框的位置和大小；将预测边界框按照其位置和大小在监控图像数据中画出，即得到结果图像；输出结果图像以及图像中检测到的人头数量，所述人头数量即为图像中预测边界框的数量。利用本发明专利技术的人头检测方法能够提高公共场合人头检测的快速准确性。

A head detection method based on image preprocessing and deep learning target detection

【技术实现步骤摘要】
一种融合图像预处理与深度学习目标检测的人头检测方法
本专利技术涉及计算机视觉
，特别是一种融合图像预处理与深度学习目标检测的快速精确人头检测方法。
技术介绍
在大量公共场合中，比如大型商场超市、旅游景区、大小交通枢纽、银行、地铁和学校等，都需要对监控摄像中的人数密集度进行实时分析，以保障公共场合有序稳定运行。比如对大型商场进行人数实时统计分析，方便决策者对过于拥挤的区域进行及时疏导，防止踩踏事故的出现。同时该技术也可以应用在校园场景中，实时监控分析每个教室的人数，对学生来讲，可以根据实时提供的教室人数信息更加快速地找到合适的自习教室，减少了寻找自习教室所需的时间。对于教师来讲，此方法可以帮助教师合理分配教学资源，从而提高教学质量。可以看到，准确实时地计算公共场合的人流量有着良好的应用前景以及商业价值。然而，目前针对多场景的人数统计研究面临一些挑战，比如说图像中待统计的行人分辨率较低，人群相互遮挡严重且拥挤等问题。目前对于人群计数主要有两种实现路径：基于特征回归的人数统计方法和基于目标检测的人数统计方法，这两种方法都涉及了有监督的深本文档来自技高网...

【技术保护点】
1.一种人头检测方法，其特征是，包括：/n实时获取监控图像数据；/n对获取到的监控图像数据进行预处理；/n将预处理后的监控图像数据输入至预先训练的神经网络，得到监控图像数据中的待选区域anchor及其对应的偏移值与置信度；所述神经网络为深度学习神经网络，其训练样本为根据图像数据中待选区域anchor与人头标定区域ground-truth的交并比选择出anchor正负样本，且正样本具有偏移标签和置信度标签，负样本具有置信度标签的图像数据集；/n根据神经网络输出的anchor的置信度，选择存在目标的anchor；/n根据神经网络输出的anchor的偏移值，计算对应相应目标的预测边界框的位置和大小；...

【技术特征摘要】
1.一种人头检测方法，其特征是，包括：
实时获取监控图像数据；
对获取到的监控图像数据进行预处理；
将预处理后的监控图像数据输入至预先训练的神经网络，得到监控图像数据中的待选区域anchor及其对应的偏移值与置信度；所述神经网络为深度学习神经网络，其训练样本为根据图像数据中待选区域anchor与人头标定区域ground-truth的交并比选择出anchor正负样本，且正样本具有偏移标签和置信度标签，负样本具有置信度标签的图像数据集；
根据神经网络输出的anchor的置信度，选择存在目标的anchor；
根据神经网络输出的anchor的偏移值，计算对应相应目标的预测边界框的位置和大小；
将预测边界框按照其位置和大小在监控图像数据中画出，即得到结果图像；
输出结果图像以及图像中检测到的人头数量，所述人头数量即为图像中预测边界框的数量。


2.根据权利要求1所述的方法，其特征是，神经网络的训练步骤包括：
采集多个历史监控图像，组成图像数据集；
对图像数据集中的各监控图像进行标注，标注出图像中所有人头的位置信息作为人头标定区域ground-truth；
确定神经网络所使用的anchor的大小；
对于各监控图像，分别选择用于训练的anchor正负样本；
对于各选出的正负样本，分别生成训练所需的标签，正样本标签包括偏移值标签和置信度标签，负样本标签包括置信度标签；
搭建神经网络模型，配置神经网络模型参数，使用Adam优化器，设计损失函数；
将监控图像数据输入神经网络，利用图像对应的偏移值标签和置信度标签计算损失函数，使用优化器对损失函数的参数进行反向传播，优化模型参数。


3.根据权利要求1或2所述的方法，其特征是，神经网络的神经网络层采用卷积层，池化层由步长为2的卷积核代替，利用上采样和融合机制，最终生成两个大小不同的特征图用于目标检测。


4.根据权利要求3所述的方法，其特征是，anchor的大小计算公式为：
anchor_size＝layer_stride*aspect_ratio*anchor_scale
其中，layer_stride为下采样的倍数，aspect_ratio为anchor的宽高比，anchor_scale为anchor在特征图上的尺度scale。


5.根据权利要求4所述的方法，其特征是，对于40*30的大特征图，下采样倍数layer_stride为16，aspect_ratio设为1，anchor_scale设置为2和4；对于10*8的小特征图，layer_stride为64，aspect_ratio为1，anchor_scale为2和4。


6.根据权利要求2所述的方法，其特征是，所述选择用于训练的anchor正负样本为...

【专利技术属性】
技术研发人员：李好洋，黄家名，秦瑜恒，周小芹，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32