[发明专利]一种行人状态检测方法、装置以及设备

权利要求书

1.一种行人状态检测方法，其特征在于，包括以下步骤：

步骤S1：获取现有的行人图像；

步骤S2：建立行人状态检测模型，使用行人状态检测模型对现有的行人图像进行处理；

步骤S2具体包括以下步骤：

步骤S201：将行人图像输入到行人状态检测模型中，行人状态检测模型对行人图像中的人体进行检测得到人体检测图像；

步骤S202：行人状态检测模型对人体检测图像进行归一化得到行人属性检测图像；

步骤S203：行人状态检测模型对人体检测图像进行人脸检测并对齐得到人脸属性检测图像；分别对人体检测图像、人脸属性检测图像以及行人属性检测图像进行属性标注；人体检测图像的属性为行人数量；人脸属性检测图像的属性类别包括：性别、年龄、表情、人脸姿态以及人脸穿戴；行人属性检测图像的属性类别包括：背包、提包、挎包、行李箱、携带儿童、轮椅以及婴儿车；

步骤S3：将经过处理后的行人图像输入到行人状态检测模型中进行训练，得到训练好的行人状态检测模型；

在步骤S3中，具体包括以下步骤：

步骤S301：将人体检测图像、人脸属性检测图像以及行人属性检测图像以一定的比例划分为训练集以及测试集；

步骤S302：按顺序将人体检测图像的训练集、人脸属性检测图像的训练集以及行人属性检测图像的训练集输入至行人状态检测模型中对行人状态检测模型的权重参数进行优化；

步骤S303：将测试集输入至训练好的行人状态检测模型中，得到行人状态检测模型的最优权重参数；

步骤S4：将实时的行人图像输入训练好的行人状态检测模型中，行人状态检测模型输出行人状态的判断结果，用于安检人员对通过安检通道的行人进行引导；

所述行人状态检测模型包括人体检测模型、人脸属性检测模型以及行人属性检测模型，所述人脸属性检测模型以及行人属性检测模型由卷积神经网络构成，所述卷积神经网络第一层卷积层和最后一层卷积层之间设置有至少一层反卷积层和至少一层inception层；

全连层提取实时行人图像的属性，输出层通过共享属性的特征对实时行人图像的人脸属性检测图像的属性以及行人属性检测图像的属性进行计算得到实时行人图像中各个行人综合状态的识别结果。

2.根据权利要求1所述的一种行人状态检测方法，其特征在于，人脸属性检测图像的人脸属性检测训练集中以每一项人脸属性检测图像的属性为一类，行人属性检测图像的行人属性训练集中以每一项行人属性检测图像的属性为一类。

3.根据权利要求2所述的一种行人状态检测方法，其特征在于，在步骤S301中，将人体检测图像作为人体检测训练集的正样本，将现有图像中不含行人的图像作为人体检测训练集的负样本输入至行人状态检测模型中，人脸属性检测训练集中包含有人脸属性检测图像的属性的所有类别且每一个类别的数量均等，行人属性训练集中包含有行人属性检测图像的属性的所有类别且每一个类别的数量均等。

4.根据权利要求1所述的一种行人状态检测方法，其特征在于，所述inception层进行卷积时采用多个不同尺寸的卷积核；所述人体检测模型采用faceboxes算法。