[发明专利]一种密集人群的检测方法、装置及电子设备

权利要求书

1.一种密集人群的检测方法，其特征在于，包括：

获取待检测图像；

将所述待检测图像输入至人员检测模型，以获得与所述待检测图像中的人员相关联的检测框、质量分值和遮挡分值；以及

基于所述检测框、所述质量分值以及所述遮挡分值，获得所述待检测图像的人员检测结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个训练样本，所述多个训练样本中的每个训练样本包括样本图像和所述样本图像对应的人员位置；

通过所述多个训练样本对初始神经网络模型的模型参数进行调整，得到所述人员检测模型。

3.根据权利要求2所述的方法，其特征在于，所述通过所述多个训练样本对初始神经网络模型的模型参数进行调整，得到所述人员检测模型，包括：

获取训练样本中的样本图像中人员位置标注的实际检测框；

将所述训练样本中的样本图像及人员位置输入至初始神经网络模型；

通过所述初始神经网络模型对所述样本图像进行处理，得到与所述人员位置对应的预测检测框；

基于所述样本图像中的各个人员的预测检测框，确定检测框的边框信息；

基于所述预测检测框与对应的实际检测框，确定质量分值和遮挡分值；

根据所述边框信息、质量分值和遮挡分值，对所述初始神经网络模型进行损失计算，获得损失计算结果；

通过所述损失计算结果对所述初始神经网络模型的模型参数进行调整，得到所述人员检测模型。

4.根据权利要求3所述的方法，其特征在于，所述边框信息包括遮挡程度参数，所述基于所述样本图像中的各个人员的预测检测框，确定检测框的边框信息，包括：

获取第一预测检测框的底边的第一长度；

确定与所述第一预测检测框相邻的第二预测检测框；

确定所述第一预测检测框的底边被所述第二预测检测框覆盖的第二长度；

基于所述第一长度和所述第二长度，计算得到所述遮挡程度参数。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

确定目标检测框，包括：

获取第三预测检测框以及与所述第三预测检测框最近的第四预测检测框；

基于所述第三预测检测框、所述第四预测检测框和预设的最近邻损失计算模式，确定所述第三预测检测框的目标检测框，其中，所述最近邻损失表征目标检测框与所述第四预测检测框的损失，所述最近邻损失计算模式为目标检测框与所述第四检测框的位置越近损失越大，位置越远损失越小。

6.根据权利要求3所述的方法，其特征在于，所述方法还包括：

计算所述预测检测框与对应的实际检测框的交集和并集；

将所述交集与所述并集的比值确定为质量分值；

计算当前预测检测框以及和所述当前预测检测框的相邻预测检测框的重叠面积；

将所述重叠面积与所述当前预测检测框的面积的比值确定为遮挡分值。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取所述初始神经网络模型的分类值；

基于所述分类值和所述质量分值计算得到当前预测检测框的综合分值，使得通过所述综合分值实现对所述当前检测框的宽度的调整。

8.根据权利要求5所述的方法，其特征在于，所述方法还包括：

通过所述遮挡分值对所述目标框进行非极大抑制，获得重叠阈值；

基于所述重叠阈值对所述初始神经网络模型的模型参数进行调整，得到所述人员检测模型。

9.一种密集人群的检测装置，其特征在于，包括：

获取单元，用于获取待检测图像；

检测单元，用于将所述待检测图像输入至人员检测模型，以获得与所述待检测图像中的人员相关联的检测框、质量分值和遮挡分值；以及

基于所述检测框、所述质量分值以及所述遮挡分值，获得所述待检测图像的人员检测结果。

10.一种电子设备，其特征在于，包括存储器和处理器：所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至8中任一项所述的密集人群的检测方法。