人形检测方法、系统和监控设备技术方案

本发明专利技术公开一种人形检测方法、系统和监控设备,所述人形检测方法包括：采用训练好深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据。本发明专利技术适用于多场景应用到人形目标检测，能够对遮挡及截断场景下人形目标的进行准确检测。

【技术实现步骤摘要】
人形检测方法、系统和监控设备
本专利技术涉及智能识别中行人检测
，特别涉及一种人形检测方法、系统和监控设备。
技术介绍
运动目标检测技术是现代视频监控系统的核心技术之一，对智能视频监控研究具有重要的理论意义和应用价值，而人形目标检测技术是其中的主要应用之一。人形检测目前主要有传统的方法以及基于深度学习的方法。传统的方法如HOG(HistogramofOrientedGradient,方向梯度直方图)特征提取等，在人形目标检测方面具有一定的效果，但是对出现遮挡的情况难以处理。而基于深度学习的方法，由于网络结构的复杂性，通常计算量较大，无法应用于监控设备中，而且也容易出现漏检误检的情况。另外，在实际场景中由于智能摄像机所安装位置的差异，以及安装的场景不同，人形场景的应用存在多元化，不同位置以及场景会出现各种遮挡以及截断，因此对于各种遮挡、截断场景的人形检测，目前并没用一个较好的办法来解决。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种人形检测方法、系统和监控设备，用于解决现有的基于深度学习的人形检测方法对遮挡或截断情况下检测率低、误检较多以及无法较好的区分人形/非人形的技术问题。为实现上述目的及其他相关目的，本专利技术提供一种人形检测方法，所述人形检测方法包括：采用深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据。在一可选实施例中，分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度的步骤包括：分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度；定义匹配函数，所述匹配函数分别与所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列的欧氏距离和最长公共子序列的长度的倒数呈正相关；优化求解所述匹配函数，以获取每个所述初始目标轮廓数据的匹配函数的最小值作为该初始目标轮廓数据的轮廓匹配度。在一可选实施例中，在定义匹配函数的步骤中，所述匹配函数为：其中，A(f)表示为所述初始目标轮廓数据的特征点序列；B(g)表示为所述标准人形轮廓数据的特征点序列；SubA(f)＝(A1，A2，...，Ai，...，Al)与SubB(g)＝(B1，B2，...，Bj，...，Bl)分别表示为A(f)与B(g)的最长公共子序列；Ai，k，Bj，k分别表示为SubA(f)与SubB(g)的匹配点；l表示A(f)与B(g)的最长公共子序列长度。在一可选实施例中，在分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度的步骤中，所述匹配阈值介于0.25-0.5之间。在一可选实施例中，采用深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集的步骤包括，采用yolo改进网络对所述待处理图像中的人形目标进行定位，以获取初始目标集。在一可选实施例中，所述yolo改进网络包括依次设置的主干网络模块、增强模块及网络输出模块，所述主干网络模块包括依次设置的若干特征提取块，定义所述主干网络模块对完整人形检测效果满足要求时所需的特征提取块数量为第一数量；在所述采用yolo改进网络对所述待处理图像中的人形目标进行定位时，所述特征提取块的输出特征图数介于32-64之间，所述主干网络模块的特征提取块的数量与所述第一数量的差值为2、3、4或5。在一可选实施例中，所述特征提取块包括依次设置的第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元及池化单元，并且所述第一卷积单元的输出还与所述第四卷积单元的输入连接。在一可选实施例中，所述人形检测方法还包括对所述深度学习网络进行训练的步骤，其中，在对所述深度学习网络进行训练时需收集各场景下的遮挡截断人形样本、无遮挡人形样本数量及负样本，并且各场景下的遮挡截断人形样本的数量与无遮挡人形样本的数量相同。为实现上述目的及其他相关目的，本专利技术还提供一种人形检测系统，所述人形检测包括：定位模块，用于采用深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；提取模块，用于提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；匹配度获取模块，用于分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；过滤模块，用于从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据。为实现上述目的及其他相关目的，本专利技术还提供一种监控设备，所述监控设备包括：图像采集装置；控制单元，设置于所述监控设备的机身上，所述控制单元包括相互耦合的处理器和存储器，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现上述任意一项所述的人形检测方法。本专利技术的人形检测方法、系统和监控设备基于人形轮廓的形状匹配算法进行误检目标的过滤，有效过滤非人形目标。本专利技术的人形检测方法、系统和监控设备通过对深度学习网络结构的调整，使得对模型训练更易收敛，增加了对遮挡及截断场景的人形目标的检测效果，并且对遮挡及截断人形目标具有较好的鲁棒性，减少了模型计算量，使得该模型在前端设备也能保证快速实时运行效果。本专利技术的人形检测方法、系统和监控设备可适应多场景应用的人形检测方法。附图说明图1显示为本专利技术的人形检测方法的流程图。图2显示为本专利技术的人形检测方法的步骤S30的子流程图。图3显示为本专利技术的特征提取块的结构示意图。图4显示为本专利技术的人形检测系统的结构框图。图5显示为本专利技术的控制单元的结构框图。图6显示为本专利技术的监控设备的结构框图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行本文档来自技高网...

【技术保护点】
1.一种人形检测方法，其特征在于，所述人形检测方法包括：/n采用训练好深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；/n提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；/n分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；/n从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据。/n

【技术特征摘要】
1.一种人形检测方法，其特征在于，所述人形检测方法包括：
采用训练好深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；
提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；
分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；
从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据。


2.根据权利要求1所述的人形检测方法，其特征在于，分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度的步骤包括：
分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度；
定义匹配函数，所述匹配函数分别与所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列的欧氏距离和最长公共子序列的长度的倒数呈正相关；
优化求解所述匹配函数，以获取每个所述初始目标轮廓数据的匹配函数的最小值作为该初始目标轮廓数据的轮廓匹配度。


3.根据权利要求2所述的人形检测方法，其特征在于，在定义匹配函数的步骤中，所述匹配函数为：



其中，A(f)表示为所述初始目标轮廓数据的特征点序列；B(g)表示为所述标准人形轮廓数据的特征点序列；SubA(f)＝(A1，A2，...，Ai，...，Al)与SubB(g)＝(B1，B2，...，Bj，...，Bl)分别表示为A(f)与B(g)的最长公共子序列；Ai，k，Bj，k分别表示为SubA(f)与SubB(g)的匹配点；l表示A(f)与B(g)的最长公共子序列长度。


4.根据权利要求2所述的人形检测方法，其特征在于，在分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度的步骤中，所述匹配阈值介于0.25-0.5之间。


5.根据权...

【专利技术属性】
技术研发人员：王为，陆金刚，方伟，
申请(专利权)人：浙江芯昇电子技术有限公司，
类型：发明
国别省市：浙江;33