一种基于在线强化学习的小区人脸姿态检测系统及方法技术方案

本发明专利技术提供了一种基于在线强化学习的小区人脸姿态检测系统及方法，系统包括监控设备、AI服务器和前端显示设备，AI服务器内部署有视频检测服务模块和在线强化学习服务模块，视频检测服务模块包括视频流获取单元、视频流解码单元和部署于视频检测服务模块的训练后的FacePose

【技术实现步骤摘要】
一种基于在线强化学习的小区人脸姿态检测系统及方法


[0001]本专利技术属于小区智能监控
，尤其涉及一种基于在线强化学习的小区人脸姿态检测系统及方法。

技术介绍

[0002]当前社会人工智能飞速发展，被广泛应用到社会生产和生活的各个领域，包括智能交通、智慧社区安防和其他智能物联网应用领域。这主要得益于深度神经网络技术的崛起和GPU硬件设备的迅速发展。深度神经网络技术在众多领域中都取得了目前最好的效果，包括目标检测、图像分类，图像分割，图像识语音识别等。
[0003]随着小区智慧化程度的加深，物联网设备，尤其是摄像头和监控设备被广泛部署，每天产生大量的监控视频数据，小区监控视频数据分析已成为当前视频分析领域的热点。人脸姿态检测作为小区监控视频分析的重要任务，对人脸识别、注意力检测、行为分析、人机互动、实现追踪等工作具有重要意义。当前的人脸姿态检测方法在小区监控场景中面临小区背景复杂、监控摄像头角度不固定、人脸姿态多样等挑战，在实际应用中算法精度不高，存在大量的误检，当前急需一种高精度的人脸姿态检测方法，提高人脸姿态检测的准确率。

技术实现思路

[0004]针对上述问题，本专利技术第一方面提供了一种基于在线强化学习的小区人脸姿态检测系统，包括监控设备、AI服务器和前端显示设备；所述监控设备用于获取小区视频流；所述AI服务器内部署有视频检测服务模块和在线强化学习服务模块；所述视频检测服务模块包括视频流获取单元、视频流解码单元和部署于视频检测服务模块的训练后的FacePose
‑
>RCNN模型；所述视频流获取单元用于获取监控设备获取的视频流并发送到视频流解码单元进行解码，所述FacePose
‑
RCNN模型用于对解码后的视频帧并进行人脸姿态检测，所述FacePose
‑
RCNN模型包括人脸检测网络分支网络Faster RCNN和人脸姿态识别分支网络FacePose
‑
Net；所述在线强化学习服务模块包括在线校验单元、人脸姿态数据库、在线学习单元和在线更新单元；所述在线校验单元用于获取FacePose
‑
RCNN模型处理后的人脸姿态检测结果并在前端显示设备进行显示和校验，所述的校验结果发送至所述人脸姿态数据库，所述人脸姿态数据库的新增数据超过一定数量后，执行所述在线学习单元的在线强化学习训练功能，用人脸姿态新增数据样本对人脸姿态识别分支网络FacePose
‑
Net进行强化训练，训练完成后执行在线更新单元的更新功能，并将训练后的模型参数更新至FacePose
‑
RCNN模型中。
[0005]在一种可能的设计中，所述人脸检测网络分支网络Faster RCNN包括RPN层、ROI Align层、特征分类层和边框回归层；
[0006]所述RPN层用于提取候选框，所述ROI Align层用于对候选框特征进行特征对齐，所述特征分类层用于对候选框进行分类生成目标类别，所述边框回归层用于对候选框进行
回归生成人脸目标框；
[0007]所述人脸姿态识别分支网络FacePose
‑
Net包括ROI对齐层、卷积池化层和SoftMax分类器；
[0008]所述ROI对齐层用于提取人脸在基础特征层上的基础特征，所述卷积池化层用于通过大步长卷积核的卷积池化层对目标特征进行卷积池化处理得到人脸姿态特征，所述SoftMax分类器用于对人脸姿态特征进行强化学习。
[0009]在一种可能的设计中，所述人脸姿态数据库的新增数据超过1000张后，执行所述在线学习单元的在线强化学习训练功能。
[0010]在一种可能的设计中，所述部署于视频检测服务模块的训练后的FacePose
‑
RCNN模型的训练过程为：
[0011]步骤一，采集数据；收集小区历史监控人脸数据，从现场监控设备中获取监控视频流并解码；
[0012]步骤二，数据标注；筛选有效数据并对人脸目标标注和人脸姿态进行标注；
[0013]步骤三，模型训练；用人脸目标标注数据对Faster RCNN模型中的人脸姿态识别分支网络FacePose
‑
Net进行训练，并对对中间训练结果进行调参，直至取得最优模型参数。
[0014]本专利技术第二方面还提供了一种基于在线强化学习的小区人脸姿态检测方法，主要包括以下步骤：
[0015]步骤1，通过视频流获取单元获取监控设备的视频流并发送至视频流解码单元进行解码；
[0016]步骤2，将解码后的视频帧发送至训练后的人脸姿态检测模型FacePose
‑
RCNN模型中进行人脸姿态检测；
[0017]步骤3，将步骤2中的人脸姿态检测结果发送至在线校验单元，并在前端进行显示，并在前端显示设备进行显示和校验，同时将校验结果发送至人脸姿态数据库；
[0018]步骤4，当人脸姿态数据库中新增数据超过一定数量时，执行在线学习单元的在线强化学习训练功能，并用人脸姿态新增数据样本对人脸姿态识别分支网络FacePose
‑
Net进行强化训练；
[0019]步骤5，训练完成后执行在线更新单元的更新功能，并将训练后的模型参数更新至FacePose
‑
RCNN模型中。
[0020]在一种可能的设计中，所述人脸检测网络分支网络Faster RCNN包括RPN层、ROI Align层、特征分类层和边框回归层；
[0021]所述RPN层用于提取候选框，所述ROI Align层用于对候选框特征进行特征对齐，所述特征分类层用于对候选框进行分类生成目标类别，所述边框回归层用于对候选框进行回归生成人脸目标框；
[0022]所述人脸姿态识别分支网络FacePose
‑
Net包括ROI对齐层、卷积池化层和SoftMax分类器；
[0023]所述ROI对齐层用于提取人脸在基础特征层上的基础特征，所述卷积池化层用于通过大步长卷积核的卷积池化层对目标特征进行卷积池化处理得到人脸姿态特征，所述SoftMax分类器用于对人脸姿态特征进行强化学习。
[0024]在一种可能的设计中，所述人脸姿态数据库的新增数据超过1000张后，执行所述
在线学习单元的在线强化学习训练功能。
[0025]在一种可能的设计中，所述训练后的人脸姿态检测模型FacePose
‑
RCNN模型的训练过程为：
[0026]步骤一，采集数据；收集小区历史监控人脸数据，从现场监控设备中获取监控视频流并解码；
[0027]步骤二，数据标注；筛选有效数据并对人脸目标标注和人脸姿态进行标注；
[0028]步骤三，模型训练；用人脸目标标注数据对Faster RCNN模型中的人脸姿态识别分支网络FacePose
‑
Net进行训练，并对对中间训练结果进行调参，直至取得最优模型参数。
[0029]本专利技术第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线强化学习的小区人脸姿态检测系统，其特征在于：包括监控设备、AI服务器和前端显示设备；所述监控设备用于获取小区视频流；所述AI服务器内部署有视频检测服务模块和在线强化学习服务模块；所述视频检测服务模块包括视频流获取单元、视频流解码单元和部署于视频检测服务模块的训练后的FacePose
‑
RCNN模型；所述视频流获取单元用于获取监控设备获取的视频流并发送到视频流解码单元进行解码，所述FacePose
‑
RCNN模型用于对解码后的视频帧并进行人脸姿态检测，所述FacePose
‑
RCNN模型包括人脸检测网络分支网络Faster RCNN和人脸姿态识别分支网络FacePose
‑
Net；所述在线强化学习服务模块包括在线校验单元、人脸姿态数据库、在线学习单元和在线更新单元；所述在线校验单元用于获取FacePose
‑
RCNN模型处理后的人脸姿态检测结果并在前端显示设备进行显示和校验，所述的校验结果发送至所述人脸姿态数据库，所述人脸姿态数据库的新增数据超过一定数量后，执行所述在线学习单元的在线强化学习训练功能，用人脸姿态新增数据样本对人脸姿态识别分支网络FacePose
‑
Net进行强化训练，训练完成后执行在线更新单元的更新功能，并将训练后的模型参数更新至FacePose
‑
RCNN模型中。2.如权利要求1所述的一种基于在线强化学习的小区人脸姿态检测系统，其特征在于：所述人脸检测网络分支网络Faster RCNN包括RPN层、ROIAlign层、特征分类层和边框回归层；所述RPN层用于提取候选框，所述ROI Align层用于对候选框特征进行特征对齐，所述特征分类层用于对候选框进行分类生成目标类别，所述边框回归层用于对候选框进行回归生成人脸目标框；所述人脸姿态识别分支网络FacePose
‑
Net包括ROI对齐层、卷积池化层和SoftMax分类器；所述ROI对齐层用于提取人脸在基础特征层上的基础特征，所述卷积池化层用于通过大步长卷积核的卷积池化层对目标特征进行卷积池化处理得到人脸姿态特征，所述SoftMax分类器用于对人脸姿态特征进行强化学习。3.如权利要求1所述的一种基于在线强化学习的小区人脸姿态检测系统，其特征在于：所述人脸姿态数据库的新增数据超过1000张后，执行所述在线学习单元的在线强化学习训练功能。4.如权利要求1所述的一种基于在线强化学习的小区人脸姿态检测系统，其特征在于，所述部署于视频检测服务模块的训练后的FacePose
‑
RCNN模型的训练过程为：步骤一，采集数据；收集小区历史监控人脸数据，从现场监控设备中获取监控视频流并解码；步骤二，数据标注；筛选有效数据并对人脸目标标注和人脸姿态进行标注；步骤三，模型训练；用人脸目...

【专利技术属性】
技术研发人员：张卫山，孙浩云，李晓哲，公凡奎，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：