基于深度学习的人员密度检测方法及检测系统技术方案

本发明专利技术公开了基于深度学习的人员密度检测方法及检测系统，涉及目标检测技术领域，方法包括S1确定摄像头的内参和外参，将摄像头当前帧做仿射变换导入RTM3D网络模型；S2将摄像头的当前帧生成热点图，请将其传入检测头部；S3将热点图进行分类回归，生成8个三维框顶点和三维框中心点的分类回归，S4将8个三维框顶点和三维框中心点回归映射在摄像头的当前帧，S5生成目标在世界坐标系中的x、y坐标，S6生成所有目标的聚类中心点，计算中心点检测内的人员数量得到人员密度；通过图片进行实时人员密度计算，与现有的3D目标检测技术相比，硬件成本更低且计算速度更快，与现有的2D目标检测技术相比可提供三维空间下的人员密度计算，提供的位置信息更加准确。的位置信息更加准确。的位置信息更加准确。

【技术实现步骤摘要】
基于深度学习的人员密度检测方法及检测系统


[0001]本专利技术涉及目标检测
，尤其涉及一种基于深度学习的人员密度检测方法及检测系统。

技术介绍

[0002]随着硬件计算能力的飞速提升和新基建发展战略的逐步实施，人工智能已经应用于很多领域，包括工业机器人、智能摄像头和自动驾驶等领域，其中，深度学习是人工智能产品实现的主要方法。深度学习可解决的问题分为三个方向：图像类、语音类和强化学习。近年来，算法基础理论研究取得了长足的进步，更多的算法可应用于工程领域，对提升工作效率和降低人力成本已有实质性的帮助。
[0003]随着安全意识的提升，各种场景对于人员流动的掌握需求日益提升，对人流量的检测传统方式为二维目标检测，二维目标可以准确检测出当前场景的人员数量，但是对于人员的具体位置无法精确检测，无法防范由人员密度过高所带来的的风险。三维目标检测可以检测出目标在世界坐标系和相机坐标系的准确位置，已经是自动驾驶领域的常用手法，同时，也可以解决人流量大的场景中人员密度检测的问题。
[0004]在三维目标检测算法实际使用时，使用LIDAR雷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的人员密度检测方法，其特征在于，包括：S1、确定摄像头的内参K1和外参K2，并将摄像头的当前帧做仿射变换导入RTM3D网络模型；S2、将摄像头的当前帧生成热点图，请将其传入检测头部；S3、将热点图进行分类回归，生成8个三维框顶点和三维框中心点的分类回归；S4、将8个三维框顶点和三维框中心点回归映射在摄像头的当前帧；S5、生成目标在世界坐标系中的x、y坐标；S6、使用k
‑
means聚类公式生成所有目标的聚类中心点，计算中心点检测内的人员数量得到人员密度。2.根据权利要求1所述的基于深度学习的人员密度检测方法，其特征在于，在S1中，根据棋盘图和张正友标定法确定摄像头的内参K1和外参K2，并将摄像头当前帧缩放为1280*340并做仿射变换传入RTM3D网络模型。3.根据权利要求1所述的基于深度学习的人员密度检测方法，其特征在于，在S2包括：S21、RTM3D网络模型将摄像头的当前帧生成三种尺寸的初始热点图，并将其穿入关键点金字塔；S22、将三种尺寸的初始热点图缩放为最大尺寸的特征图；S23、对不同大小的特征进行逐点融合生成最终的热点图。4.根据权利要求3所述的基于深度学习的人员...

【专利技术属性】
技术研发人员：毛熙皓，廖长明，敬志坚，庄永忠，张翔，卢建伟，刘锐，张鑫蕊，涂雄伟，王帅，
申请(专利权)人：成都鼎安华智慧物联网股份有限公司，
类型：发明
国别省市：