【技术实现步骤摘要】
本公开涉及人员、物品查找领域，尤其涉及一种基于卷积神经网络的人员指定服饰检测方法、设备和系统。
技术介绍
1、由于人眼、摄像头都存在地域上的局限性，范围有限。在查找特定人员方面还有很大的提升需求。通过机器自动查找人员一直是各方据待解决提升的现实问题。人员或团队外出（研学、团建、旅游等活动时）查找擅自离开团队、走失、被他人滞留带走脱离队伍的人员；景点、商场、大型活动现场等查找走失人员和儿童；司法机关查找的特定对象。将目标检测模型部署到通用或移动设备上以方便查找特定人员，将人工智能技术巨大效能普及化。
技术实现思路
1、为了解决现有技术中的上述问题，即现有技术在查找、搜救指定人员方面还存在很大局限性，相关技术中的人员搜救、查找，存在目标检测的准确性低的问题。
2、所述方法包括：
3、步骤z101：图像或视频采集设备在采集对象（人员指定服饰）上方（高于采集对象最高位）获取采集对象空间第一角度的第一图像或视频和第二角度的第二图像或视频（多个角度类推），或者直接使用此采集方法的文件或数据；
4、步骤z102：基于步骤z101采集的人员指定服饰图像或视频进行数据处理，得到采集图像或视频区域n个第一角度的第一图像的图片文件或数据，m个第二角度的第二图像的图片文件或数据，n>0，m>0（多个角度类推），或者直接使用此方式生成的文件或数据；
5、步骤z103:对步骤z102获取的图片文件或数据中服饰相同各角度的具体对象标注为一类，生成标注数
6、步骤z104:将步骤z103标注后的图片和标注数据送入预先构建的基于卷积神经网络的模型中进行训练，生成目标检测模型，或者直接使用此方式生成的目标检测模型；
7、步骤z105:获取待识别的视频流数据，对所述视频流数据进行预处理，得到目标图像；
8、步骤z106:将步骤z105得到的目标图像输入到步骤z104生成的目标检测模型中，识别出目标图像中所有可能的指定服饰对象，并生成有关信息。
9、所述对象空间第一角度的第一图像或视频和第二角度的第二图像或视频，必须包含对象空间两个角度以上的图像或视频，没有先后之分。
10、所述图片数据进行标注，生成标注数据的步骤包括：对图片进行人工标注，人工标注的图像包括有效的指定服饰对象，或增加其他需标注的目标对象；将标注的图片和数据按预设格式保存。
11、所述预先构建的基于卷积神经网络为的目标检测模型，具体包括输入端、主体网络、neck网络和head输出层四个部分。
12、所述待检测包含指定服饰对象视频流数据进行预处理，得到目标图像，包括：对所述视频流数据进行抽帧，得到一帧帧图片数据并保存。
13、所述识别出目标图像中所有可能的指定服饰对象在目标图像中的信息，除包括指定服饰单个对象，还包括识别指定服饰群体对象，以及识别出指定服饰离群单个对象。
14、所述的识别指定服饰群体对象，以及识别出指定服饰离群单个对象，具体方法是通过聚类算法对具体对象坐标点信息进行聚类后的结果。
15、所述通过聚类算法对具体对象坐标点信息进行聚类，是在z106识别获取的指定服饰对象方框图区域1个点以上的坐标进行聚类。
16、所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的一种基于卷积神经网络的人员指定服饰检测方法。
17、本专利技术的有益效果：
18、本专利技术提供了一种基于卷积神经网络的人员指定服饰检测方法，可有效拓宽和提高查找人员视野、效率和准确率，便于团队和安保人员及时发现、查找、搜救离散人员，降低损耗和风险。
19、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所诉方法包括包括步骤Z101：图像或视频采集设备在采集对象（人员指定服饰）上方（高于采集对象最高位）获取采集对象空间第一角度的第一图像或视频和第二角度的第二图像或视频（多个角度类推），或者直接使用此采集方法的文件或数据；步骤Z102：基于步骤Z101采集的人员指定服饰图像或视频进行数据处理，得到采集图像或视频区域N个第一角度的第一图像的图片文件或数据，M个第二角度的第二图像的图片文件或数据，N>0，M>0（多个角度类推），或者直接使用此方式生成的文件或数据；步骤Z103:对步骤Z102获取的图片文件或数据中服饰相同各角度的具体对象标注为一类，生成标注数据，或者直接使用此方式生成的标注数据；步骤Z104:将步骤Z103标注后的图片和标注数据送入预先构建的基于卷积神经网络的模型中进行训练，生成目标检测模型，或者直接使用此方式生成的目标检测模型；步骤Z105:获取待识别的视频流数据，对所述视频流数据进行预处理，得到目标图像；步骤Z106:将步骤Z105得到的目标图像输入到步骤Z104生成的目标检测模型中
2.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述对象空间第一角度的第一图像或视频和第二角度的第二图像或视频，必须包含对象空间两个角度以上的图像或视频，没有先后之分。
3.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述的第一角度、第二角度、多个角度其划分方法是角度阈值划分法，程序设计中设定第一参照对象，第二参照对象，第三参照对象（第一参照对象，第二参照对象、第三参照对象没有顺序之分，可根据具体情况对换），计算两参照对象的直线距离为X，其他与X有线性或非线性关系的距离或数值为X1、X2、...Xn。第一参照对象、第二参照对象在第三参照对象上形成的角度数为Y，其他与Y有线性或非线性关系的角的度数或数值为Y1、Y2、...Ym。选择对应X,Xn,Y,Ym中1个以上的设定值为Ai,设定对应阈值为Wi，i>0，在以设定值Ai为参考值，在阈值Wi范围内的为同一角度，设定值Ai和阈值Wi为分别至少为1个以上。
4.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述图片数据进行标注，生成标注数据的步骤包括：对图片进行人工标注，人工标注的图像包括有效的指定服饰对象，或增加其他需标注的目标对象；将标注的图片和数据按预设格式保存。
5.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述预先构建的基于卷积神经网络为的目标检测模型，具体包括输入端、主体网络、Neck网络和Head输出层四个部分。
6.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述待检测包含指定服饰对象视频流数据进行预处理，得到目标图像，包括：对所述视频流数据进行抽帧，得到一帧帧图片数据并保存。
7.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述识别出目标图像中所有可能的指定服饰对象在目标图像中的信息，除包括指定服饰单个对象，还包括识别指定服饰群体对象，以及识别出指定服饰离群单个对象。
8.根据权利要求6所述的识别指定服饰群体对象，以及识别出指定服饰离群单个对象，具体方法是通过聚类算法对具体对象坐标点信息进行聚类后的结果。
9.根据权利要求7所述通过聚类算法对具体对象坐标点信息进行聚类，是在Z106识别获取的指定服饰对象方框图区域1个点以上的坐标进行聚类。
10.存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的一种基于卷积神经网络的人员指定服饰检测方法。
...【技术特征摘要】
1.一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所诉方法包括包括步骤z101：图像或视频采集设备在采集对象（人员指定服饰）上方（高于采集对象最高位）获取采集对象空间第一角度的第一图像或视频和第二角度的第二图像或视频（多个角度类推），或者直接使用此采集方法的文件或数据；步骤z102：基于步骤z101采集的人员指定服饰图像或视频进行数据处理，得到采集图像或视频区域n个第一角度的第一图像的图片文件或数据，m个第二角度的第二图像的图片文件或数据，n>0，m>0（多个角度类推），或者直接使用此方式生成的文件或数据；步骤z103:对步骤z102获取的图片文件或数据中服饰相同各角度的具体对象标注为一类，生成标注数据，或者直接使用此方式生成的标注数据；步骤z104:将步骤z103标注后的图片和标注数据送入预先构建的基于卷积神经网络的模型中进行训练，生成目标检测模型，或者直接使用此方式生成的目标检测模型；步骤z105:获取待识别的视频流数据，对所述视频流数据进行预处理，得到目标图像；步骤z106:将步骤z105得到的目标图像输入到步骤z104生成的目标检测模型中，识别出目标图像中所有可能的指定服饰对象，并生成有关信息。
2.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述对象空间第一角度的第一图像或视频和第二角度的第二图像或视频，必须包含对象空间两个角度以上的图像或视频，没有先后之分。
3.根据权利要求1所述的一种基于卷积神经网络的人员指定服饰检测方法、设备和系统，其特征在于，所述的第一角度、第二角度、多个角度其划分方法是角度阈值划分法，程序设计中设定第一参照对象，第二参照对象，第三参照对象（第一参照对象，第二参照对象、第三参照对象没有顺序之分，可根据具体情况对换），计算两参照对象的直线距离为x，其他与x有线性或非线性关系的距离或数值为x1、x2、...xn。第一参照对象、第二参照对象在第三参照对象上形成的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。