一種基于深度學習的人體目標檢測方法技術

本發明專利技術涉及計算機視覺分析和機器學習的技術領域，特別是涉及一種基于深度學習的人體目標檢測方法，其能夠增強行人分析結構能力，提升視覺分析技術；包括以下步驟：S1、前段采集：通過攝像機捕捉畫面，在8至20米的高度安裝攝像頭，向下傾斜拍攝特定區域，利用sdk獲取攝像機捕捉的畫面數據，并回傳至服務端；S2、目標捕捉：將畫面數據匯聚為圖像數據庫，按照每秒截取清晰度較高的畫面3幀圖像，用于在算法系統進行標注；S3、機器訓練：通過訓練算法，輔助機器識別目標，對算法模型進行測試，在測試環境中部署視頻采集系統，形成對人員目標的分析結果S6、算法優化：通過算法模型、結果分析、人工標注三種方法循環對算法進行長期訓練。工標注三種方法循環對算法進行長期訓練。工標注三種方法循環對算法進行長期訓練。

【技術實現步驟摘要】
一種基于深度學習的人體目標檢測方法


[0001]本專利技術涉及計算機視覺分析和機器學習的
，特別是涉及一種基于深度學習的人體目標檢測方法。

技術介紹

[0002]視覺分析應用技術在當前的公安、社會立體防控、工廠安全、娛樂場所監控、嫌疑人目標鎖定等領域有著豐富的使用需求和重要的應用場景，隨著計算機硬件、算力等技術的快速發展，應用計算機視覺分析技術自動對監控場景中的行人目標進行捕捉、分析、標注，成為該項技術的核心要素，而行人分析解構與識別是其中一個關鍵的技術點。
[0003]視覺分析技術中的行人分析解構與識別在工業、安防、金融、能源等行業有著極其廣泛的應用需求，為了進一步增強行人分析解構能力，提升視覺分析技術，現提出一種基于深度學習的人體目標檢測方法，以深度學習視覺技術為核心的行人分析能力，對行人檢測、目標跟蹤計數、人員著裝、人員畫像、人員動作、人員移動軌跡及穿戴監測等內容進行深度分析。

技術實現思路

[0004]為解決上述技術問題，本專利技術提供一種能夠增強行人分析結構能力，提升視覺分析技術的基于深度學習的人體目標檢測方法。
[0005]本專利技術的一種基于深度學習的人體目標檢測方法，包括以下步驟：
[0006]S1、前段采集：通過攝像機捕捉畫面，在8至20米的高度安裝攝像頭，向下傾斜拍攝特定區域，利用sdk獲取攝像機捕捉的畫面數據，并回傳至服務端；
[0007]S2、目標捕捉：將畫面數據匯聚為圖像數據庫，按照每秒截取清晰度較高的畫面3幀圖像，用于在算法系統進行標注；
[0008]S3、機器訓練：通過訓練算法，輔助機器識別目標，并對目標自動生成標注，同時具備校正機器自動分析的圖像目標；
[0009]S4、算法構建：通過訓練數據形成算法模型，利用算法模型進行圖像自動處理，并對標注準確程度進行初步分析，給予用戶初步分析結果；
[0010]S5、分析服務及結果：對算法模型進行測試，在測試環境中部署視頻采集系統，形成對人員目標的分析結果；
[0011]S6、算法優化：通過算法模型、結果分析、人工標注三種方法循環對算法進行長期訓練。
[0012]本專利技術的一種基于深度學習的人體目標檢測方法，所述S3中對目標自動生成標注，其標注方式包括框選、點選和勾選。
[0013]本專利技術的一種基于深度學習的人體目標檢測方法，S3中對目標自動生成標注，并對目標進行標注訓練，目標信息包括是否為人體、上衣是否為長袖、上衣是否為短袖、褲裝是否為長褲、褲裝是否為短褲、是否有背包、是否有雨傘、是否有帽子。
[0014]本專利技術的一種基于深度學習的人體目標檢測方法，所述S3中輔助機器識別目標，識別目標內容包括對目標的微動作、微表情識別。
[0015]本專利技術的一種基于深度學習的人體目標檢測方法，所述S4中，通過算法對自動生成的標注加以區分，框選目標是否為活體人員目標，點選目標是否有背包、雨傘、帽子，勾選目標是否是上裝和夏裝。
[0016]本專利技術的一種基于深度學習的人體目標檢測方法，所述S6中對人員目標的分析，所分析的結果中對目標捕捉的結構化數據形成人數統計數據、密度統計數據。
[0017]本專利技術的一種基于深度學習的人體目標檢測方法，所述攝像機采用高清、星光級的攝像機。
[0018]與現有技術相比本專利技術的有益效果為：通過以深度學習視覺技術為核心，對行人檢測、目標跟蹤計數、人員著裝、人員畫像、人員動作、人員移動軌跡及穿戴監測等內容進行深度分析，形成一個對目標進行精準解構的算法模型，通過機器訓練的方法使算法模型更加準確，結合訓練算法模型，對圖像進行自動處理，并校正機器自動分析圖像目標，然后采用算法模型、結果分析和人工標注三種方法循環對算法進行長期訓練，從而提高算法識別的準確程度，最后通過視頻采集系統，在典型場景搭建實驗環境，形成對人員目標的分析結果，持續通過真實場景、目標提升算法能力，以此來增強行人分析結構能力，提升視覺分析技術。
附圖說明
[0019]圖1是本專利技術的系統工作流程示意圖；
具體實施方式
[0020]下面結合附圖和實施例，對本專利技術的具體實施方式作進一步詳細描述。以下實施例用于說明本專利技術，但不用來限制本專利技術的范圍。
[0021]如圖1所示，本專利技術的一種基于深度學習的人體目標檢測方法，包括以下步驟：
[0022]S1、前段采集：通過攝像機捕捉畫面，在8至20米的高度安裝攝像頭，向下傾斜拍攝特定區域，利用sdk獲取攝像機捕捉的畫面數據，并回傳至服務端；
[0023]S2、目標捕捉：將畫面數據匯聚為圖像數據庫，按照每秒截取清晰度較高的畫面3幀圖像，用于在算法系統進行標注；
[0024]S3、機器訓練：通過訓練算法，輔助機器識別目標，并對目標自動生成標注，同時具備校正機器自動分析的圖像目標；
[0025]S4、算法構建：通過訓練數據形成算法模型，利用算法模型進行圖像自動處理，并對標注準確程度進行初步分析，給予用戶初步分析結果；
[0026]S5、分析服務及結果：對算法模型進行測試，在測試環境中部署視頻采集系統，形成對人員目標的分析結果；
[0027]S6、算法優化：通過算法模型、結果分析、人工標注三種方法循環對算法進行長期訓練；通過以深度學習視覺技術為核心，對行人檢測、目標跟蹤計數、人員著裝、人員畫像、人員動作、人員移動軌跡及穿戴監測等內容進行深度分析，形成一個對目標進行精準解構的算法模型，通過機器訓練的方法使算法模型更加準確，結合訓練算法模型，對圖像進行自
動處理，并校正機器自動分析圖像目標，然后采用算法模型、結果分析和人工標注三種方法循環對算法進行長期訓練，從而提高算法識別的準確程度，最后通過視頻采集系統，在典型場景搭建實驗環境，形成對人員目標的分析結果，持續通過真實場景、目標提升算法能力，以此來增強行人分析結構能力，提升視覺分析技術。
[0028]本專利技術的一種基于深度學習的人體目標檢測方法，所述S3中對目標自動生成標注，其標注方式包括框選、點選和勾選；通過采用框選、點選和勾選三種標注方式，可以有效的將目標解構分割開來，用不同的標注方式加以區分。
[0029]本專利技術的一種基于深度學習的人體目標檢測方法，S3中對目標自動生成標注，并對目標進行標注訓練，目標信息包括是否為人體、上衣是否為長袖、上衣是否為短袖、褲裝是否為長褲、褲裝是否為短褲、是否有背包、是否有雨傘、是否有帽子；通過對目標的外部特征進行訓練標注，可以更加準確的對目標進行快速的區分，提高目標識別能力。
[0030]本專利技術的一種基于深度學習的人體目標檢測方法，所述S3中輔助機器識別目標，識別目標內容包括對目標的微動作、微表情識別；利用輔助機器對目標的微動作、微表情進行識別，有助于判斷目標的心理活動和目標個人習慣，進一步提高識別能力。
[0031]本專利技術的一種基于深度學習的人體目標檢測方法，所述S4中，通過算法對自動生成的標注加以區分，框選目標是否為活體人員目標，點選目標是否有背包、雨傘本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度學習的人體目標檢測方法，其特征在于，包括以下步驟：S1、前段采集：通過攝像機捕捉畫面，在8至20米的高度安裝攝像頭，向下傾斜拍攝特定區域，利用sdk獲取攝像機捕捉的畫面數據，并回傳至服務端；S2、目標捕捉：將畫面數據匯聚為圖像數據庫，按照每秒截取清晰度較高的畫面3幀圖像，用于在算法系統進行標注；S3、機器訓練：通過訓練算法，輔助機器識別目標，并對目標自動生成標注，同時具備校正機器自動分析的圖像目標；S4、算法構建：通過訓練數據形成算法模型，利用算法模型進行圖像自動處理，并對標注準確程度進行初步分析，給予用戶初步分析結果；S5、分析服務及結果：對算法模型進行測試，在測試環境中部署視頻采集系統，形成對人員目標的分析結果；S6、算法優化：通過算法模型、結果分析、人工標注三種方法循環對算法進行長期訓練。2.如權利要求1所述的一種基于深度學習的人體目標檢測方法，其特征在于，所述S3中對目標自動生成標注，其標注方式包括框選、點選和勾選。3.如權利...

【專利技術屬性】
技術研發人員：魏志豐，高秉強，周文進，高東，王迪，
申請(專利權)人：北京國網信通埃森哲信息技術有限公司，
類型：發明
國別省市：