[发明专利]一种头部特征提取方法、装置、电子设备及存储介质

说明书

本发明提供一种头部特征提取方法、装置、电子设备及存储介质，其中，方法包括如下步骤：获取待检测图像；将所述待检测图像输入至预先训练好的人体检测神经网络模型，得到所述待检测图像中的人体检测框；将所述人体检测框输入至预先训练好的头部特征检测分类模型，得到所述人体检测框的人体头部特征。通过实施本发明，先获取待检测图像的人体检测框，在对人体检测框内的头部特征进行检测，由于对于同一行人，人体比头部在待检测图像中的像素占屏比更大，因此，更不容易漏检，从而提高了头部特征检测的准确率。

技术领域

本发明涉及神经网络领域，具体涉及一种头部特征提取方法、装置、电子设备及存储介质。

背景技术

随着深度学习技术的发展，计算机视觉技术在社会生产生活中的应用越来越广泛，从可以识别手势的游戏机到警方依据道路监控对罪犯的智能追踪，计算机逐渐拥有了肉眼的“看见，认识，分析，反馈”的功能。在各个城市中，都安装有数量可观的道路监控摄像头，其具备记录道路情况，规范道路行为，追溯事件发生过程，或者防患未然等功能。

如何应用计算机视觉的技术自动挖掘视频中的有效信息一直是智慧城市发展的重要课题。目标检测算法在道路监控中一直发挥着主要的作用，其可以通过深度学习模型自动推演出视频中需要关注的物体的位置信息。相关技术中，一般是直接提取人体头部特征进行特征识别，但实际上在街景场景下的视频监控录像中，摄像头一般深处高位，用以拍摄人群或车群的整体状况，由于单个行人头部像素占屏比很小，可能导致头部漏检，从而使得头部特征检测准确率低。

发明内容

有鉴于此，本发明实施例提供了一种头部特征提取方法、装置、电子设备及存储介质，以解决现有技术中头部漏检，从而使得头部特征检测准确率低的缺陷。

根据第一方面，本发明实施例提供一种头部特征提取方法，包括如下步骤：获取待检测图像；将所述待检测图像输入至预先训练好的人体检测神经网络模型，得到所述待检测图像中的人体检测框；将所述人体检测框输入至预先训练好的头部特征检测分类模型，得到所述人体检测框的人体头部特征。

可选地，所述人体检测神经网络模型为YOLOv3神经网络模型，所述头部特征检测分类模型为MobileNet分类网络。

可选地，所述人体检测神经网络模型的训练过程包括：获取第一训练样本，所述第一训练样本包括不同地域、不同时段、不同光照条件的场景图像以及所述场景图像中的人体预标注信息；获取根据目标数据集训练好的第一预训练神经网络模型；根据所述第一训练样本对所述第一预训练神经网络模型进行迁移学习，得到人体检测神经网络模型。

可选地，所述头部特征检测分类模型的训练过程包括：获取第二训练样本，所述第二训练样本包括多分类样本标签，所述多分类样本标签根据目标函数库中的多标签二值化函数得到；将所述第二训练样本输入至第二预训练神经网络模型；当所述第二预训练神经网络模型满足预定条件，则得到头部特征检测分类模型。

可选地，所述方法还包括：当第二训练样本输入至第二预训练神经网络模型出现特征提取错误，则将发生特征提取错误的第二训练样本重复输入至第二预训练神经网络模型，进行目标次数的迭代训练。

可选地，获取第二训练样本包括：获取待训练图像；将所述待训练图像输入至预先训练好的人体检测YOLO V3模型，得到所述待训练图像中的人体检测框；将所述人体检测框输入至预先训练好的特征分类YOLO V3模型，得到所述人体检测框对应的标签，根据所述人体检测框以及对应的标签构建得到所述第二训练样本。

可选地，将所述待检测图像输入至预先训练好的人体检测神经网络模型，包括：将所述待检测图像尺寸调整至第一目标尺寸，将第一目标尺寸的待检测图像输入至预先训练好的人体检测神经网络模型；和/或将所述人体检测框输入至预先训练好的头部特征检测分类模型，包括：将所述人体检测框尺寸调整至第二目标尺寸，将第二目标尺寸的人体检测框输入至预先训练好的头部特征检测分类模型。