[发明专利]一种嵌入式实时人形检测方法和装置

说明书

本发明涉及计算机视觉领域，具体涉及一种嵌入式实时人形检测方法和装置，方法包括：预先通过训练得到基于卷积神经网络的人形检测模型；利用人形检测装置在待测空间范围内进行图像采集，并计算ROI区域；根据ROI区域选择检测阶段，动态调整图像分辨率并将调整后的图像输入人形检测模型；利用人形检测模型，结合多核并行算法和快速卷积算法对输入图像进行卷积运算，提取到特征数据；根据特征数据得到多个人形候选框，进行筛选融合后最终确定人形目标。本发明基于卷积神经网络进行模型训练，检测精度高，同时结合多核并行与快速卷积算法，并动态调整模型分辨率和焦距，硬件要求低，可满足人体检测模块小型化要求。

【技术领域】

本发明涉及计算机视觉领域，更具体地，涉及一种嵌入式实时人形检测方法和装置。

【背景技术】

人形检测是计算机视觉中的重要研究课题，被广泛应用于智能视频监控、车辆辅助驾驶、智能交通、智能机器人等领域。主流的人形检测方法分为基于人工图像特征的统计学习方法和基于人工神经网络的深度学习方法。统计学习方法对于人体目标的对数平均漏检率一般为15％左右，速度运行较快，可在CPU上进行实时检测，但是易受遮挡和背景的影响。而深度学习方法的对数平均漏检率低至7％，抗干扰能力强对遮挡和背景有较好的区分，但运行速度较慢，不利于在硬件资源受限的嵌入式系统上实现实时检测。

由此可见，现有的人体检测方法存在严重的精度与性能的矛盾，当检测速度快时，检测精度较低；而如果希望检测精度高，则对硬件性能要求高，难以满足人体检测模块小型化要求的问题。

鉴于此，克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。

【发明内容】

本发明需要解决的技术问题是：

传统的人形检测方法存在严重的精度与性能的矛盾，当检测速度快时，检测精度较低；而如果希望检测精度高，则对硬件性能要求高，难以满足人体检测模块小型化要求的问题。

本发明通过如下技术方案达到上述目的：

第一方面，本发明提供了一种嵌入式实时人形检测方法，预先通过训练得到基于卷积神经网络的人形检测模型，并保存在人形检测装置中；则人形检测方法包括：

利用人形检测装置在待测空间范围内进行图像采集，并针对当前采集到的图像计算ROI区域；

根据ROI区域选择检测策略中的检测阶段，进而动态调整图像分辨率，并将调整后的ROI区域图像输入所述人形检测模型；

利用所述人形检测模型，结合多核并行算法和快速卷积算法对输入的图像进行卷积运算，进而提取到特征数据；

根据特征数据得到多个人形候选框，通过对所述多个人形候选框进行筛选融合，最终确定待测空间范围内的人形目标；

其中，所述检测策略包括至少两个检测阶段，所述人形检测装置根据预设的状态转移条件在所述至少两个检测阶段间进行动态转移。

优选的，所述预先通过训练得到基于卷积神经网络的人形检测模型具体为：

从人体姿态数据集中筛选多个符合要求的人形样本，以生成包含多姿态、多视角、多尺度人形样本的人形数据集；

利用卷积神经网络算法，对所述人形数据集中各人形样本的图像特征进行深度学习，得到基于卷积神经网络的人形检测模型。

优选的，所述从人体姿态数据集中筛选多个符合要求的人形样本，以生成包含多姿态、多视角、多尺度人形样本的人形数据集，具体包括：

遍历所述人体姿态数据集中的每一个人形，得到多个人形样本；

随机对所述多个人形样本中的一个或多个进行图像变换，得到更多数量的人形样本；其中，所述图像变换包括剪裁、平移、旋转、色彩变换、缩放和模糊处理中的一项或者多项；