人体检测模型的训练方法及人体检测方法、设备、介质技术

本发明专利技术公开了一种人体检测模型的训练方法及人体检测方法、设备、介质。该训练方法包括：获取多个带有标注信息的训练图像样本，其中，训练图像样本包含人体属性；将训练图像样本输入至预先构建的目标检测模型中，得到人体属性检测结果；根据标注信息和人体属性检测结果利用预设损失函数计算损失值，并根据损失值更新目标检测模型的参数，直至目标检测模型收敛，得到训练好的人体检测模型。由此，以提升小目标的识别准确度，降低人体属性检测的误检率和漏检率。和漏检率。和漏检率。

【技术实现步骤摘要】
人体检测模型的训练方法及人体检测方法、设备、介质


[0001]本专利技术涉及图像处理
，尤其涉及一种人体检测模型的训练方法及人体检测方法、设备、介质。

技术介绍

[0002]在工业生产过程中，由于人们安全意识不足而导致的安全事故频繁发生，例如，在禁烟区抽烟、高空作业时未佩戴安全帽、工作时间打电话等等，这些违规行为都会带来巨大的安全隐患。针对上述问题，急需要利用智能化技术，以在无人监督的境况下对人的违规行为进行实时监控。
[0003]目前，提出了利用基于深度学习的人体属性多目标检测算法，来对人的违规行为进行实时监控。已有的人体属性多目标检测算法一般是通过一级目标检测网络来检测，并且待测数据需为清楚可见的视频或图像。
[0004]但是，通常工业生产环境较为复杂，待测图像中不同目标的尺寸也相差较大，且由于部分目标的尺寸较小，因此会存在目标被遮挡或者目标会受光线的影响，导致目标识别的准确率较低，容易造成误检和漏检。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种人体检测模型的训练方法，以提升小目标的识别准确度，降低人体属性检测的误检率和漏检率。
[0006]本专利技术的第二个目的在于提出一种人体检测方法。
[0007]本专利技术的第三个目的在于提出一种边缘处理设备。
[0008]本专利技术的第四个目的在于提出一种计算机可读存储介质。
[0009]为达上述目的，本专利技术第一个实施例提出了一种人体检测模型的训练方法，该方法包括：获取多个带有标注信息的训练图像样本，其中，所述训练图像样本包含人体属性；将所述训练图像样本输入至预先构建的目标检测模型中，得到人体属性检测结果；根据所述标注信息和所述人体属性检测结果利用预设损失函数计算损失值，并根据所述损失值更新所述目标检测模型的参数，直至所述目标检测模型收敛，得到训练好的人体检测模型。
[0010]本专利技术实施例的人体检测模型的训练方法，通过将带有标注信息的训练图像样本输入至预先构建的目标检测模型中，得到人体属性检测结果；再根据标注信息和人体属性检测结果利用预设损失函数计算损失值，并根据损失值更新目标检测模型的参数，直至目标检测模型收敛，得到训练好的人体检测模型，训练好的人体检测模型具有较高的小目标识别准确度，从而降低了人体属性的误检率和漏检率。
[0011]在一些可实现的方式中，所述目标检测模型包括特征提取单元、混合池化单元、特征融合单元以及预测单元，所述将所述训练图像样本输入至预先构建的目标检测模型中，
得到人体属性检测结果，包括：利用所述特征提取单元对所述训练图像样本进行特征提取，得到浅层特征图和深层特征图；利用所述混合池化单元对所述深层特征图进行混合池化操作，得到目标混合池化特征图；利用所述特征融合单元将所述目标混合池化特征图分别与所述浅层特征图和所述深层特征图进行特征融合，得到目标特征图；利用所述预测单元根据所述目标特征图确定所述人体属性检测结果。
[0012]在一些可实现的方式中，所述特征提取单元包括第一特征提取层、第二特征提取层、第三特征提取层以及第四特征提取层，所述深层特征图包括第一深层特征图、第二深层特征图以及第三深层特征图，所述利用所述特征提取单元所述对所述训练图像样本进行特征提取，得到浅层特征图和深层特征图，包括：利用所述第一特征提取层对所述训练图像样本进行特征提取，得到所述浅层特征图；利用所述第二特征提取层对所述浅层特征图进行特征提取，得到所述第一深层特征图；利用所述第三特征提取层对所述第一深层特征图进行特征提取，得到所述第二深层特征图；利用所述第四特征提取层对所述第二深层特征图进行特征提取，得到所述第三深层特征图。
[0013]在一些可实现的方式中，所述利用所述混合池化单元对所述深层特征图进行混合池化操作，得到目标混合池化特征图，包括：根据多组预设池化参数对所述第三深层特征图进行混合池化操作，得到多个混合池化特征图；将多个所述混合池化特征图进行通道拼接融合，并通过卷积操作得到每个所述混合池化特征图的权重；根据每个所述混合池化特征图、每个所述混合池化特征图的权重和所述第三深层特征图得到所述目标混合池化特征图。
[0014]在一些可实现的方式中，所述目标特征图包括第一目标特征图、第二目标特征图、第三目标特征图以及第四目标特征图，所述利用所述特征融合单元将所述目标混合池化特征图分别与所述浅层特征图和所述深层特征图进行特征融合，得到目标特征图，包括：将所述目标混合池化特征图和所述第二深层特征图进行特征融合，得到第一中间图；将所述第一中间图和所述第一深层特征图进行特征融合，得到第二中间图；将所述第二中间图和所述浅层特征图进行特征融合，得到所述第一目标特征图；将所述第一目标特征图与所述第二中间图进行特征融合，得到所述第二目标特征图；将所述第二目标特征图与所述第一中间图进行特征融合，得到所述第三目标特征图；将所述第三目标特征图与所述目标混合池化特征图进行特征融合，得到所述第四目标特征图。
[0015]在一些可实现的方式中，在获取多个带有标注信息的训练图像样本之后，所述方法还包括：利用训练好的自动搜索数据增强模型对所述训练图像样本进行数据增强处理，以便将经过数据增强后的训练图像样本输入至所述预先构建的目标检测模型进行训练。
[0016]在一些可实现的方式中，所述预设损失函数为：其中，Loss为所述预设损失函数，Loss
GIoU
为定位损失，W1为所述定位损失的权重，Loss
obj
为置信度损失，W2为所述置信度损失的权重，Loss
cls
为分类损失，W3为所述分类损失的权重。
[0017]为达上述目的，本专利技术第二个实施例提出了一种人体检测方法，该方法包括：获取待测图像；将所述待测图像输入至训练好的人体检测模型，获得人体属性检测结果，其中，所述人体检测模型根据本专利技术第一方面实施例所述的训练方法训练得到。
[0018]为达上述目的，本专利技术第三个实施例提出了一种边缘处理设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第二方面实施例提出的人体检测方法。
[0019]为达上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本专利技术第二方面实施例提出的人体检测方法。
[0020]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]图1是本专利技术一个实施例的人体检测模型的训练方法的流程图；图2是本专利技术一个具体实施例的目标检测模型的部分网络结构示意图；图3是本专利技术实施例的得到人体属性检测结果的方法的流程图；图4是本专利技术实施例的得到浅层特征图和深层特征图的方法的流程图；图5是本专利技术实施例的对深层特征图进行混合池化的方法的流程图；图6是本专利技术实施例的混合池化单元的结构示意图；图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体检测模型的训练方法，其特征在于，包括：获取多个带有标注信息的训练图像样本，其中，所述训练图像样本包含人体属性；将所述训练图像样本输入至预先构建的目标检测模型中，得到人体属性检测结果；根据所述标注信息和所述人体属性检测结果利用预设损失函数计算损失值，并根据所述损失值更新所述目标检测模型的参数，直至所述目标检测模型收敛，得到训练好的人体检测模型。2.根据权利要求1所述的人体检测模型的训练方法，其特征在于，所述目标检测模型包括特征提取单元、混合池化单元、特征融合单元以及预测单元，所述将所述训练图像样本输入至预先构建的目标检测模型中，得到人体属性检测结果，包括：利用所述特征提取单元对所述训练图像样本进行特征提取，得到浅层特征图和深层特征图；利用所述混合池化单元对所述深层特征图进行混合池化操作，得到目标混合池化特征图；利用所述特征融合单元将所述目标混合池化特征图分别与所述浅层特征图和所述深层特征图进行特征融合，得到目标特征图；利用所述预测单元根据所述目标特征图确定所述人体属性检测结果。3.根据权利要求2所述的人体检测模型的训练方法，其特征在于，所述特征提取单元包括第一特征提取层、第二特征提取层、第三特征提取层以及第四特征提取层，所述深层特征图包括第一深层特征图、第二深层特征图以及第三深层特征图，所述利用所述特征提取单元对所述训练图像样本进行特征提取，得到浅层特征图和深层特征图，包括：利用所述第一特征提取层对所述训练图像样本进行特征提取，得到所述浅层特征图；利用所述第二特征提取层对所述浅层特征图进行特征提取，得到所述第一深层特征图；利用所述第三特征提取层对所述第一深层特征图进行特征提取，得到所述第二深层特征图；利用所述第四特征提取层对所述第二深层特征图进行特征提取，得到所述第三深层特征图。4.根据权利要求3所述的人体检测模型的训练方法，其特征在于，所述利用所述混合池化单元对所述深层特征图进行混合池化操作，得到目标混合池化特征图，包括：根据多组预设池化参数对所述第三深层特征图进行混合池化操作，得到多个混合池化特征图；将多个所述混合池化特征图进行通道拼接融合，并通过卷积操作得到每个所述混合池化特征图的权重；根据每个所述混合池化特征图、每个所述混合池化特征图的权重和所述第三深层特征图得到所...

【专利技术属性】
技术研发人员：许秋菊，艾坤，刘海峰，
申请(专利权)人：合肥中科类脑智能技术有限公司，
类型：发明
国别省市：