[发明专利]人形检测方法、系统和监控设备

权利要求书

1.一种人形检测方法，其特征在于，所述人形检测方法包括：

采用训练好深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集，所述初始目标集包括若干初始目标轮廓数据；

提取每个所述初始目标轮廓数据中的角点作为对应的所述初始目标轮廓数据的特征点序列；

分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度；

从所述初始目标集中过滤轮廓匹配度小于预设匹配值的初始目标轮廓数据，剩余的所述初始目标轮廓数据为人形目标轮廓数据；

其中，分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取每个所述初始目标轮廓数据的轮廓匹配度的步骤包括：

分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度；

定义匹配函数，所述匹配函数分别与所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列的欧氏距离和最长公共子序列的长度的倒数呈正相关；

优化求解所述匹配函数，以获取每个所述初始目标轮廓数据的匹配函数的最小值作为该初始目标轮廓数据的轮廓匹配度。

2.根据权利要求1所述的人形检测方法，其特征在于，在定义匹配函数的步骤中，所述匹配函数为：

其中，A(f)表示为所述初始目标轮廓数据的特征点序列；B(g)表示为所述标准人形轮廓数据的特征点序列；SubA(f)＝(A_i,A₂,...,A_i,...,A_l)与SubB(g)＝(B_i,B₂,...,B_j,...,B_l)分别表示为A(f)与B(g)的最长公共子序列；A_i,k，B_j,k分别表示为SubA(f)与SubB(g)的匹配点；l表示A(f)与B(g)的最长公共子序列长度。

3.根据权利要求1所述的人形检测方法，其特征在于，在分别将每个所述初始目标轮廓数据的特征点序列与标准人形轮廓数据的特征点序列进行最长公共子序列匹配，以获取不同匹配阈值时每个所述初始目标轮廓数据与所述标准人形轮廓数据的最长公共子序列和最长公共子序列长度的步骤中，所述匹配阈值介于0.25-0.5之间。

4.根据权利要求1所述的人形检测方法，其特征在于，采用深度学习网络对待处理图像中的人形目标进行定位，以获取初始目标集的步骤包括，采用yolo改进网络对所述待处理图像中的人形目标进行定位，以获取初始目标集。

5.根据权利要求4所述的人形检测方法，其特征在于，所述yolo改进网络包括依次设置的主干网络模块、增强模块及网络输出模块，所述主干网络模块包括依次设置的若干特征提取块，定义所述主干网络模块对完整人形检测效果满足要求时所需的特征提取块数量为第一数量；

在所述采用yolo改进网络对所述待处理图像中的人形目标进行定位时将所述主干网络模块的特征提取块的数量增加至第二数量，所述第二数量大于所述第一数量，且所述第二数量与所述第一数量的差值为2、3、4或5，所述特征提取块的输出特征图数介于32-64之间。

6.根据权利要求5所述的人形检测方法，其特征在于，所述特征提取块包括依次设置的第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元及池化单元，并且所述第一卷积单元的输出还与所述第四卷积单元的输入连接。

7.根据权利要求1-6中任意一项所述的人形检测方法，其特征在于，所述人形检测方法还包括对所述深度学习网络进行训练的步骤，其中，在对所述深度学习网络进行训练时需收集各场景下的遮挡截断人形样本、无遮挡人形样本数量及负样本，并且各场景下的遮挡截断人形样本的数量与无遮挡人形样本的数量相同。