【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...
【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
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。