[发明专利]一种行人结构化方法、装置、设备和存储介质

说明书

本申请实施例公开了一种行人结构化方法、装置、设备和存储介质，其中该方法包括：获取目标图像数据，目标图像数据包括至少一个视频图像帧；对目标图像数据通过预设的目标检测模型进行人脸和人形的检测，确定目标检测信息，目标检测模型为同时检测人形和人脸的深度检测模型；基于目标检测信息分别进行轨迹追踪和属性分析，确定行人追踪轨迹信息和行人属性信息。本申请可以同时检测人形和人脸，避免调用多个检测模型造成的资源消耗和运算耗时，并基于人脸和人形的检测结果直接进行轨迹追踪和属性分析，进一步减少带宽和资源消耗，在保证准确率的同时提高识别效率，保证识别实时性。

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种行人结构化方法、装置、设备和存储介质。

背景技术

近些年来，随着智能识别技术的不断发展，智能视频监控在安防、智能交通等很多领域发挥着越来越重要的作用。相机可以不间断的记录视野范围内的一切信息，但是相机产生的视频是一种非结构化的数据，其中的目标只能直观观看，不能直接被计算机读取和识别。

行人是视频监控系统的重点关注对象，行人结构化是指从视频内容中提取出行人的相关信息，将其转化为机器可理解的信息，并进一步转化为情报，实现视频数据向信息、情报的转化。行人相关的描述信息可以包括行人位置、面部位置、面部特征、行人的性别、年龄范围和运动轨迹等。

目前监控的视频数据越来越多，海量数据带来的是巨大的计算量和复杂多变的场景，这对行人结构化系统的鲁棒性和性能有了越来越高的要求。目前的行人结构化系统大多采用独立模型对系统的各个模块进行分析和识别，例如检测部分采用检测模型、属性分析采用分类模型和轨迹跟踪采用跟踪模型；相同模块也会采用不同模型分析不同的子任务，例如分别采用行人检测模型和人脸检测模型进行定位。直观上不同的分析任务采用不同的模型会更好的适应各自任务的独特性质，从而带来更高的准确率。但是，上述识别方式忽略了不同任务之间的共性，可能会导致巨大的资源开销和性能瓶颈，使得行人数据的识别不能满足实时性和准确性的需求。

发明内容

本申请实施例提供一种行人结构化方法、装置、设备和存储介质，以优化行人结构化方案，在保证准确率的同时提高识别效率，保证识别实时性。

第一方面，本申请实施例提供了一种行人结构化方法，包括：

获取目标图像数据，所述目标图像数据包括至少一个视频图像帧；

对所述目标图像数据通过预设的目标检测模型进行人脸和人形的检测，确定目标检测信息，所述目标检测模型为同时检测人形和人脸的深度检测模型；

基于所述目标检测信息分别进行轨迹追踪和属性分析，确定行人追踪轨迹信息和行人属性信息。

第二方面，本申请实施例还提供了一种行人结构化装置，包括：

数据获取模块，用于获取目标图像数据，所述目标图像数据包括至少一个视频图像帧；

行人检测模块，用于对所述目标图像数据通过预设的目标检测模型进行人脸和人形的检测，确定目标检测信息，所述目标检测模型为同时检测人形和人脸的深度检测模型；

轨迹追踪和属性分析模块，用于基于所述目标检测信息分别进行轨迹追踪和属性分析，确定行人追踪轨迹信息和行人属性信息。

进一步的，所述数据获取模块具体用于：

获取原始视频数据，并对所述原始视频数据进行解码处理，得到所述目标图像数据。

进一步的，所述行人检测模块包括：

特征提取单元，用于对所述目标图像数据进行特征提取，得到目标特征图；

检测单元，用于通过目标锚点框对所述目标特征图进行分类和定位，确定所述目标检测信息，所述目标锚点框的尺寸基于人脸人形位置关系进行自适应调整。