一种人数检测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供一种人数检测方法、装置、电子设备及存储介质，涉及图像处理技术领域。该人数检测方法包括：获取待检测图像；根据预设深度卷积神经网络对所述待检测图像进行特征提取，获得特征图；通过语义特征和定位特征提取所述特征图的特征信息；对所述特征信息进行处理，生成候选结果信息；根据所述候选结果信息进行筛选，生成目标检测结果。该人数检测方法鲁棒性强，受光照影响较小，可以实现提高适用性和检测准确性的技术效果。高适用性和检测准确性的技术效果。高适用性和检测准确性的技术效果。

【技术实现步骤摘要】
一种人数检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，具体而言，涉及一种人数检测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，现有的电梯人数检测方法主要包括如下三种：基于人脸识别的人数检测方法、基于图像处理的人数检测方法和基于红外热传感器的人数检测方法。
[0003]现有技术中，基于人脸识别的人数检测方法依据人脸的检测统计搭乘电梯的人数，当人脸出现遮挡时将会存在漏检的情况；基于传统图像处理的人数检测方法依靠颜色、形状等特征进行人体分割和形状检测，从而实现人数检测的功能，但对于施工升降梯这种存在较大光照变化的场景中，传统图像处理算法鲁棒性较差；基于红外热传感器的人数检测方法受温度的影响较大，当环境温度和人体温度相近时传感器的灵敏度明显下降，有时造成短时失灵。

技术实现思路

[0004]本申请实施例的目的在于提供一种人数检测方法、装置、电子设备及存储介质，鲁棒性强，受光照影响较小，可以实现提高适用性和检测准确性的技术效果。
[0005]第一方面，本申请实施例提供了一种人数检测方法，包括：
[0006]获取待检测图像；
[0007]根据预设深度卷积神经网络对所述待检测图像进行特征提取，获得特征图；
[0008]通过语义特征和定位特征提取所述特征图的特征信息；
[0009]对所述特征信息进行处理，生成候选结果信息；
[0010]根据所述候选结果信息进行筛选，生成目标检测结果。
[0011]在上述实现过程中，该人数检测方法通过对待检测图像进行特征提取，并通过语义特征和定位特征的互相传递以及融合，进一步提升特征提取的能力，最终可以提升模型的识别精度和定位精度，从而实现了基于深度卷积神经网络的人数检测方法；该人数检测方法鲁棒性强、受光照影响较小，可以实现提高适用性和检测准确性的技术效果。
[0012]进一步地，所述对所述待检测图像进行特征提取，获得特征图的步骤，包括：
[0013]通过CBL、Res unit、CSP1、CSP2和SPP中的一种或多种模块对所述待检测图像进行特征提取，获得所述特征图。
[0014]在上述实现过程中，通过上述基础模块的组合使得预设深度卷积神经网络具有更深的网络结构，提升对图像更深层次特征的表征能力，从而达到提升模型检测精度的目的。
[0015]进一步地，所述通过语义特征和定位特征提取所述特征图的特征信息的步骤，包括：
[0016]通过FPN结构和网络深层对所述特征图进行处理，产生所述语义特征并向下传递；
[0017]通过PAN结构和网络浅层对所述特征图进行处理，产生所述定位特征并向上传递；
[0018]通过所述语义特征和所述定位特征的互相传递和融合，获得所述特征图的特征信息。
[0019]在上述实现过程中，通过语义特征和定位特征的互相传递以及融合，最终可以提升模型的识别精度和定位精度。
[0020]进一步地，所述对所述特征信息进行处理，生成候选结果信息的步骤，包括：
[0021]通过卷积操作对所述特征信息进行处理，分别输出包括多个分支的候选结果信息，每个分支的候选结果信息对应一个输出矩阵；
[0022]对所述多个分支的候选结果信息进行解耦处理，分别进行类别预测、边界框回归和置信度的输出。
[0023]在上述实现过程中，将原来的一个卷积层负责多种不同类型任务(同时负责类别预测、目标预测以及边界框回归)的结构解耦成三个部分，分别进行类别预测、边界框回归和置信度的输出，这种结构避免了不同类型的任务依靠同一个卷积层推理所带来的精度损失，从而针对如施工升降梯内这种小范围密集人群的检测任务中容易出现的遮挡场景实现改进，进一步提升检测准确率。
[0024]进一步地，所述根据所述候选结果信息进行筛选，生成目标检测结果的步骤，包括：
[0025]对所述多个分支的候选结果信息进行解析，获得候选框集合；
[0026]根据预设置信值和非极大值抑制对所述候选框集合进行筛选，获得所述目标检测结果，其中所述非极大值抑制中DIoU的计算公式如下；
[0027][0028]其中，A为预测框和真实框的交集，B为所述预测框和所述真实框的并集，b为所述预测框的中心点，b
gt
为所述真实框的中心点，ρ为所述预测框的中心点和所述真实框的中心点之间的欧式距离，c为能够同时包含所述预测框和所述真实框的最小闭包区域的对角线距离。
[0029]在上述实现过程中，针对于Yolo网络模型中后处理部分中将IoU计算方法替换为DIoU；DIoU在评价候选边界框生成的质量时，不仅仅考虑重叠率，还把尺度和距离都考虑在内，可以使回归的候选框更加稳定，且对于重叠目标有一定程度的提升。
[0030]进一步地，在所述获取待检测图像的步骤之前，还包括：
[0031]通过鱼眼摄像头采集所述待检测图像；
[0032]对所述待检测图像进行图像增强处理。
[0033]在上述实现过程中，通过使用鱼眼摄像头可以覆盖更大的视野，减少视觉死角和视觉遮挡，通过图像增强的方式减少在检测过程中搭乘人员与安全帽、反光衣的强关联，并且还可以模拟不同施工升降梯在实际应用中出现的不同光照变换场景。
[0034]进一步地，在所述获取待检测图像的步骤之后，还包括：
[0035]对所述待检测图像中相邻四个像素点进行变换，将宽、高维度的信息转化到通道维度上，并利用卷积计算进行信息融合。
[0036]在上述实现过程中，可以保证信息量不丢失的情况下减少计算量，加速算法推理。
[0037]第二方面，本申请实施例提供了一种人数检测装置，包括：
[0038]获取模块，用于获取待检测图像；
[0039]第一提取模块，用于根据预设深度卷积神经网络对所述待检测图像进行特征提取，获得特征图；
[0040]第二提取模块，用于通过语义特征和定位特征提取所述特征图的特征信息；
[0041]候选结果模块，用于对所述特征信息进行处理，生成候选结果信息；
[0042]目标检测模块，用于根据所述候选结果信息进行筛选，生成目标检测结果。
[0043]进一步地，所述第一提取模块具体用于通过CBL、Res unit、CSP1、CSP2和SPP中的一种或多种模块对所述待检测图像进行特征提取，获得所述特征图。
[0044]进一步地，该人数检测装置中的第二提取模块可以是信息融合模块，用于将不同尺度特征图中的语义特征和定位特征进行融合。
[0045]进一步地，所述第二提取模块包括：
[0046]FPN结构单元，用于通过FPN结构和网络深层对所述特征图进行处理，产生所述语义特征并向下传递；
[0047]PAN结构单元，用于通过PAN结构和网络浅层对所述特征图进行处理，产生所述定位特征并向上传递；
[0048]融合单元，用于通过所述语义特征和所述定位特征的互相传递和融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人数检测方法，其特征在于，包括：获取待检测图像；根据预设深度卷积神经网络对所述待检测图像进行特征提取，获得特征图；通过语义特征和定位特征提取所述特征图的特征信息；对所述特征信息进行处理，生成候选结果信息；根据所述候选结果信息进行筛选，生成目标检测结果。2.根据权利要求1所述的人数检测方法，其特征在于，所述对所述待检测图像进行特征提取，获得特征图的步骤，包括：通过CBL、Res unit、CSP1、CSP2和SPP中的一种或多种模块对所述待检测图像进行特征提取，获得所述特征图。3.根据权利要求2所述的人数检测方法，其特征在于，所述通过语义特征和定位特征提取所述特征图的特征信息的步骤，包括：通过FPN结构和网络深层对所述特征图进行处理，产生所述语义特征并向下传递；通过PAN结构和网络浅层对所述特征图进行处理，产生所述定位特征并向上传递；通过所述语义特征和所述定位特征的互相传递和融合，获得所述特征图的特征信息。4.根据权利要求1所述的人数检测方法，其特征在于，所述对所述特征信息进行处理，生成候选结果信息的步骤，包括：通过卷积操作对所述特征信息进行处理，分别输出包括多个分支的候选结果信息，每个分支的候选结果信息对应一个输出矩阵；对所述多个分支的候选结果信息进行解耦处理，分别进行类别预测、边界框回归和置信度的输出。5.根据权利要求4所述的人数检测方法，其特征在于，所述根据所述候选结果信息进行筛选，生成目标检测结果的步骤，包括：对所述多个分支的候选结果信息进行解析，获得候选框集合；根据预设置信值和非极大值抑制对所述候选框集合进行筛选，获得所述目标检测结果，其中所述非极...

【专利技术属性】
技术研发人员：张志威，龚思宇，唐子健，董忠，蔡巍，凌小凤，
申请(专利权)人：广东博智林机器人有限公司，
类型：发明
国别省市：