一种基于深度学习的人体目标检测方法技术

本发明专利技术涉及计算机视觉分析和机器学习的技术领域，特别是涉及一种基于深度学习的人体目标检测方法，其能够增强行人分析结构能力，提升视觉分析技术；包括以下步骤：S1、前段采集：通过摄像机捕捉画面，在8至20米的高度安装摄像头，向下倾斜拍摄特定区域，利用sdk获取摄像机捕捉的画面数据，并回传至服务端；S2、目标捕捉：将画面数据汇聚为图像数据库，按照每秒截取清晰度较高的画面3帧图像，用于在算法系统进行标注；S3、机器训练：通过训练算法，辅助机器识别目标，对算法模型进行测试，在测试环境中部署视频采集系统，形成对人员目标的分析结果S6、算法优化：通过算法模型、结果分析、人工标注三种方法循环对算法进行长期训练。工标注三种方法循环对算法进行长期训练。工标注三种方法循环对算法进行长期训练。

【技术实现步骤摘要】
一种基于深度学习的人体目标检测方法


[0001]本专利技术涉及计算机视觉分析和机器学习的
，特别是涉及一种基于深度学习的人体目标检测方法。

技术介绍

[0002]视觉分析应用技术在当前的公安、社会立体防控、工厂安全、娱乐场所监控、嫌疑人目标锁定等领域有着丰富的使用需求和重要的应用场景，随着计算机硬件、算力等技术的快速发展，应用计算机视觉分析技术自动对监控场景中的行人目标进行捕捉、分析、标注，成为该项技术的核心要素，而行人分析解构与识别是其中一个关键的技术点。
[0003]视觉分析技术中的行人分析解构与识别在工业、安防、金融、能源等行业有着极其广泛的应用需求，为了进一步增强行人分析解构能力，提升视觉分析技术，现提出一种基于深度学习的人体目标检测方法，以深度学习视觉技术为核心的行人分析能力，对行人检测、目标跟踪计数、人员着装、人员画像、人员动作、人员移动轨迹及穿戴监测等内容进行深度分析。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种能够增强行人分析结构能力，提升视觉分析技术的基于深度学习的人体目标检测方法。
[0005]本专利技术的一种基于深度学习的人体目标检测方法，包括以下步骤：
[0006]S1、前段采集：通过摄像机捕捉画面，在8至20米的高度安装摄像头，向下倾斜拍摄特定区域，利用sdk获取摄像机捕捉的画面数据，并回传至服务端；
[0007]S2、目标捕捉：将画面数据汇聚为图像数据库，按照每秒截取清晰度较高的画面3帧图像，用于在算法系统进行标注；
[0008]S3、机器训练：通过训练算法，辅助机器识别目标，并对目标自动生成标注，同时具备校正机器自动分析的图像目标；
[0009]S4、算法构建：通过训练数据形成算法模型，利用算法模型进行图像自动处理，并对标注准确程度进行初步分析，给予用户初步分析结果；
[0010]S5、分析服务及结果：对算法模型进行测试，在测试环境中部署视频采集系统，形成对人员目标的分析结果；
[0011]S6、算法优化：通过算法模型、结果分析、人工标注三种方法循环对算法进行长期训练。
[0012]本专利技术的一种基于深度学习的人体目标检测方法，所述S3中对目标自动生成标注，其标注方式包括框选、点选和勾选。
[0013]本专利技术的一种基于深度学习的人体目标检测方法，S3中对目标自动生成标注，并对目标进行标注训练，目标信息包括是否为人体、上衣是否为长袖、上衣是否为短袖、裤装是否为长裤、裤装是否为短裤、是否有背包、是否有雨伞、是否有帽子。
[0014]本专利技术的一种基于深度学习的人体目标检测方法，所述S3中辅助机器识别目标，识别目标内容包括对目标的微动作、微表情识别。
[0015]本专利技术的一种基于深度学习的人体目标检测方法，所述S4中，通过算法对自动生成的标注加以区分，框选目标是否为活体人员目标，点选目标是否有背包、雨伞、帽子，勾选目标是否是上装和夏装。
[0016]本专利技术的一种基于深度学习的人体目标检测方法，所述S6中对人员目标的分析，所分析的结果中对目标捕捉的结构化数据形成人数统计数据、密度统计数据。
[0017]本专利技术的一种基于深度学习的人体目标检测方法，所述摄像机采用高清、星光级的摄像机。
[0018]与现有技术相比本专利技术的有益效果为：通过以深度学习视觉技术为核心，对行人检测、目标跟踪计数、人员着装、人员画像、人员动作、人员移动轨迹及穿戴监测等内容进行深度分析，形成一个对目标进行精准解构的算法模型，通过机器训练的方法使算法模型更加准确，结合训练算法模型，对图像进行自动处理，并校正机器自动分析图像目标，然后采用算法模型、结果分析和人工标注三种方法循环对算法进行长期训练，从而提高算法识别的准确程度，最后通过视频采集系统，在典型场景搭建实验环境，形成对人员目标的分析结果，持续通过真实场景、目标提升算法能力，以此来增强行人分析结构能力，提升视觉分析技术。
附图说明
[0019]图1是本专利技术的系统工作流程示意图；
具体实施方式
[0020]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0021]如图1所示，本专利技术的一种基于深度学习的人体目标检测方法，包括以下步骤：
[0022]S1、前段采集：通过摄像机捕捉画面，在8至20米的高度安装摄像头，向下倾斜拍摄特定区域，利用sdk获取摄像机捕捉的画面数据，并回传至服务端；
[0023]S2、目标捕捉：将画面数据汇聚为图像数据库，按照每秒截取清晰度较高的画面3帧图像，用于在算法系统进行标注；
[0024]S3、机器训练：通过训练算法，辅助机器识别目标，并对目标自动生成标注，同时具备校正机器自动分析的图像目标；
[0025]S4、算法构建：通过训练数据形成算法模型，利用算法模型进行图像自动处理，并对标注准确程度进行初步分析，给予用户初步分析结果；
[0026]S5、分析服务及结果：对算法模型进行测试，在测试环境中部署视频采集系统，形成对人员目标的分析结果；
[0027]S6、算法优化：通过算法模型、结果分析、人工标注三种方法循环对算法进行长期训练；通过以深度学习视觉技术为核心，对行人检测、目标跟踪计数、人员着装、人员画像、人员动作、人员移动轨迹及穿戴监测等内容进行深度分析，形成一个对目标进行精准解构的算法模型，通过机器训练的方法使算法模型更加准确，结合训练算法模型，对图像进行自
动处理，并校正机器自动分析图像目标，然后采用算法模型、结果分析和人工标注三种方法循环对算法进行长期训练，从而提高算法识别的准确程度，最后通过视频采集系统，在典型场景搭建实验环境，形成对人员目标的分析结果，持续通过真实场景、目标提升算法能力，以此来增强行人分析结构能力，提升视觉分析技术。
[0028]本专利技术的一种基于深度学习的人体目标检测方法，所述S3中对目标自动生成标注，其标注方式包括框选、点选和勾选；通过采用框选、点选和勾选三种标注方式，可以有效的将目标解构分割开来，用不同的标注方式加以区分。
[0029]本专利技术的一种基于深度学习的人体目标检测方法，S3中对目标自动生成标注，并对目标进行标注训练，目标信息包括是否为人体、上衣是否为长袖、上衣是否为短袖、裤装是否为长裤、裤装是否为短裤、是否有背包、是否有雨伞、是否有帽子；通过对目标的外部特征进行训练标注，可以更加准确的对目标进行快速的区分，提高目标识别能力。
[0030]本专利技术的一种基于深度学习的人体目标检测方法，所述S3中辅助机器识别目标，识别目标内容包括对目标的微动作、微表情识别；利用辅助机器对目标的微动作、微表情进行识别，有助于判断目标的心理活动和目标个人习惯，进一步提高识别能力。
[0031]本专利技术的一种基于深度学习的人体目标检测方法，所述S4中，通过算法对自动生成的标注加以区分，框选目标是否为活体人员目标，点选目标是否有背包、雨伞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人体目标检测方法，其特征在于，包括以下步骤：S1、前段采集：通过摄像机捕捉画面，在8至20米的高度安装摄像头，向下倾斜拍摄特定区域，利用sdk获取摄像机捕捉的画面数据，并回传至服务端；S2、目标捕捉：将画面数据汇聚为图像数据库，按照每秒截取清晰度较高的画面3帧图像，用于在算法系统进行标注；S3、机器训练：通过训练算法，辅助机器识别目标，并对目标自动生成标注，同时具备校正机器自动分析的图像目标；S4、算法构建：通过训练数据形成算法模型，利用算法模型进行图像自动处理，并对标注准确程度进行初步分析，给予用户初步分析结果；S5、分析服务及结果：对算法模型进行测试，在测试环境中部署视频采集系统，形成对人员目标的分析结果；S6、算法优化：通过算法模型、结果分析、人工标注三种方法循环对算法进行长期训练。2.如权利要求1所述的一种基于深度学习的人体目标检测方法，其特征在于，所述S3中对目标自动生成标注，其标注方式包括框选、点选和勾选。3.如权利...

【专利技术属性】
技术研发人员：魏志丰，高秉强，周文进，高东，王迪，
申请(专利权)人：北京国网信通埃森哲信息技术有限公司，
类型：发明
国别省市：