人体检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种人体检测方法、装置、电子设备和存储介质。所述方法包括：获取待检测图像，其中，所述待检测图像中包含人体图像；将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。以实现高效、精确、低成本的实现人体检测的效果。

【技术实现步骤摘要】
人体检测方法、装置、电子设备和存储介质
本专利技术实施例涉及目标检测技术，尤其涉及一种人体检测方法、装置、电子设备和存储介质。
技术介绍
随着人口数量的增加，在飞机场、火车站等地方人流量较大，在这些人流量大的地方均会设置安防系统，如何在安防系统拍摄的图像中识别出人体是一个重要的问题。现有技术中，通常是通过人为的在安防系统拍摄的图像中进行人体识别，但是这种人体识别的方式效率低下，且需要大量的人员，造成了人员的浪费。
技术实现思路
本专利技术实施例提供一种人体检测方法、装置、电子设备和存储介质，以实现高效、精确、低成本的实现人体检测的效果。第一方面，本专利技术实施例提供了一种人体检测方法，该方法包括：获取待检测图像，其中，所述待检测图像中包含人体图像；将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。第二方面，本专利技术实施例还提供了一种人体检测装置，该装置包括：待检测图像获取模块，用于获取待检测图像，其中，所述待检测图像中包含人体图像；位置信息确定模块，用于将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例中任一所述的人体检测方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本专利技术实施例中任一所述的人体检测方法。本专利技术实施例的技术方案，通过获取待检测图像，其中，待检测图像中包含人体图像，将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息，解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。附图说明图1是本专利技术实施例一中的人体检测方法的流程图；图2是本专利技术实施例二中的人体检测方法的流程图；图3是本专利技术实施例三中的人体检测装置的结构示意图；图4是本专利技术实施例四中的一种电子设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的人体检测方法的流程图，本实施例可适用于对图像中的人体进行检测的情况，该方法可以由人体检测装置来执行，该人体检测装置可以由软件和/或硬件来实现，该人体检测装置可以配置在计算设备上，具体包括如下步骤：S110、获取待检测图像，其中，待检测图像中包含人体图像。示例性的，待检测图像可以是带有人体图像的图像，例如，可以是在安检部门，人们通过摄像头等图像采集设备时，摄像头采集的人的图像，在该图像上有背景图像也有人体图像。S120、将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息。示例性的，位置信息可以是人体图像在待检测图像中的位置，例如，可以是人体图像在待检测图像的横坐标范围、纵坐标范围等。深度学习网络模型可以是任一可基于深度学习的网络模型，例如，可以是单发多盒探测器(SingleShotMultiBoxDetector，SSD)模型和YoloV3网络模型等可用于目标检测的网络模型。嵌入式设备可以是包含有ARM、Dsp、Npu中至少一种处理芯片的设备。将训练好的深度学习网络模型架构在嵌入式设备上，这样可基于嵌入式设备精确、高效获取人体图像在待检测图像中的位置信息。解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。可选的，在将训练好的深度学习网络模型架构在嵌入式设备上前，基于训练好的深度学习网络模型的第一类型，以及嵌入式设备的第二类型，将第一类型转换为与第二类型匹配的类型；将类型转换后的训练好的深度学习网络模型嵌入到嵌入式设备中。示例性的，第一类型可以是训练的深度学习网络模型的类型。第二类型可以是嵌入式设备的类型，例如可以是嵌入式设备中的处理芯片的类型。在将训练好的深度学习网络模型架构在嵌入式设备上前，需将深度学习网络模型的类型转换为与嵌入式设备的类型匹配的类型，然后将类型转换后的训练好的深度学习网络模型嵌入到嵌入式设备中。这样避免因为深度学习网络模型和嵌入式设备的类型不匹配，而无法在嵌入式设备上进行加载的问题。本专利技术实施例的技术方案，通过获取待检测图像，其中，待检测图像中包含人体图像，将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息，解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。实施例二图2为本专利技术实施例二提供的人体检测方法的流程图，本专利技术实施例与上述实施例中各个可选方案可以结合。在本专利技术实施例中，可选的，在所述获取待检测图像后，所述方法还包括：获取待检测图像的第一分辨率和第一数据格式，以及深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；将待检测图像的第一分辨率转换成第二分辨率，以及将待检测图像的第一数据格式转换为第二数据格式。所述将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，包括：将第二分辨率和第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备；对应的，所述得到人体图像在待检测图像中的位置信息包括：得到在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息。在所述得到在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息后，所述方法还包括：将得到的在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息，映射到第一分辨率的待检测图像中，得到在第一分辨率的待检测图像中人体图像的位置信息。将得到的在第一分辨率的待检测图像中人体图像的位置信息，以及获取的第一分辨率的待检测图像进行对应存储。如图2所示，本专利技术实施例的方法具体包括如下步骤：S210、获取待检测图像，其中，待检测图像中包含人体图像。S220、获取待检测图像的第一分辨率和第一数据格式，以及深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；将待检测图像的第一分辨率转换成第二分辨率，以及将待检测本文档来自技高网...

【技术保护点】
1.一种人体检测方法，其特征在于，包括：/n获取待检测图像，其中，所述待检测图像中包含人体图像；/n将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。/n

【技术特征摘要】
1.一种人体检测方法，其特征在于，包括：
获取待检测图像，其中，所述待检测图像中包含人体图像；
将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。


2.根据权利要求1所述的方法，其特征在于，在所述获取待检测图像后，所述方法还包括：
获取所述待检测图像的第一分辨率和第一数据格式，以及所述深度学习网络模型训练时输入所述深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；
将所述待检测图像的第一分辨率转换成所述第二分辨率，以及将所述待检测图像的第一数据格式转换为所述第二数据格式。


3.根据权利要求2所述的方法，其特征在于，所述将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，包括：
将所述第二分辨率和所述第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备；
对应的，所述得到所述人体图像在所述待检测图像中的位置信息包括：
得到在所述第二分辨率和所述第二数据格式的待检测图像中所述人体图像的位置信息。


4.根据权利要求3所述的方法，其特征在于，在所述得到在所述第二分辨率和所述第二数据格式的待检测图像中所述人体图像的位置信息后，所述方法还包括：
将得到的得到在所述第二分辨率和所述第二数据格式的待检测图像中所述人体图像的位置信息，映射到所述第一分辨率的待检测图像中，得到在所述第一分辨率的待检测图像中所述人体图像的位置信息。


5.根据...

【专利技术属性】
技术研发人员：张凤春，火一莽，周汉川，余勇，
申请(专利权)人：北京锐安科技有限公司，
类型：发明
国别省市：北京;11