[发明专利]一种面向边缘设备的遮挡行人闯红灯姿态识别方法

说明书

本发明公开了一种面向边缘设备的遮挡行人闯红灯姿态识别方法，本发明通过获取红灯亮起时的斑马线处监控行人图片，实现行人姿态关节点检测和闯红灯姿态识别两个任务。本发明通过学习构建姿态空间关系矩阵，实现对遮挡关节点特征的空间关系传播，修正错误的关节点定位。面向边缘设备计算能力有限的问题，本发明使用蒸馏学习思想，分布设计教师网络和学生网络，并设计了学生网络损失函数，来获得轻量级的姿态关节点定位的学生网络。最后针对闯红灯姿态识别任务，构建卷积神经网络，实现闯红灯和非闯红灯的状态识别。本发明具有场景适用能力强，关节点定位准确性高，轻量级网络，处理速度快，便于移植等优势，可有效实现行人闯红灯行为识别。

技术领域

本发明涉及人物姿态关节点检测技术领域，尤其涉及一种面向边缘设备的遮挡行人闯红灯姿态识别方法。

背景技术

为了保证良好的交通秩序，保证人民生命财产安全，需要对路口行人闯红灯行为进行监管。随着深度学习和计算机视觉技术的发展，面向边缘设备的智能交通监控正逐步引起该行业的重视。

中国专利申请公布号CN 111274886 A《一种基于深度学习的行人闯红灯违法行为分析方法及系统》，提出了一种基于深度学习的行人闯红灯违法行为分析方法，对人脸信息进行跟踪识别，当跟踪器在红灯状态下，穿越人行横道，认为是行人闯红灯违法成立，但是只利用人脸识别的方法易将车身广告或车内人员进行闯红灯误判。中国专利申请公布号CN109754602 A《行人闯红灯防误判的方法和装置》，提出了一种利用行人位置、行人图像和人体特征信息实现闯红灯检测的方法，但是其人体特征信息是通过雷达回波信号得到的，在环境较为复杂的交通路口，该方法得到的信息会有所损失，从而引起误判产生。中国专利申请公布号CN 103366565A《一种基于Kinect的行人闯红灯检测方法及其系统》，提出了一种基于Kinect的行人闯红灯检测方法，方法引入了人体关节信息，通过识别人体的运动状态进行闯红灯检测，但该方法没有引入图卷积实现姿态检测。

由于人体关节具有固定的空间连接进而可以利用关节点建立图模型，图神经网络逐步被应用于姿态检测领域。Ke Sun等人在《Deep High-Resolution RepresentationLearning for Human Pose Estimation》中提取了高质量的特征，这些特征拥有更加丰富的上下文信息，可以帮助构建人体姿态。Zhe Cao等人在《OpenPose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》提出在关键点之间建立一个向量场，利用肢体的方向对关键点进行组装，得到人体姿态。Xuecheng Nie等人在《Posepartition networks for multi-person pose estimation》中通过对每个人进行图的分割，推断出人体姿态。Jian Wang等人在《Two Stage Human Pose Estimation with GraphPose Refinement》中提出了一个基于图的两阶段框架，利用一个定位子网和一个图姿态细化模块获得更精细的关节点信息，再利用局部传播对关节点空间位置进行优化。

然而，上述方法并未考虑，应用中面向边缘设备需要的轻量化问题，以及人体关节信息的全局传播。因此，我们提出了一种面向边缘设备的遮挡行人闯红灯姿态识别方法。该方法利用全局传播图卷积对关节空间位置进行优化实现遮挡行人检测，提出蒸馏网络实现模型在应用中轻量化问题。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种面向边缘设备的遮挡行人闯红灯姿态识别方法。

本发明是通过以下技术方案实现的：

一种面向边缘设备的遮挡行人闯红灯姿态识别方法，在红灯亮起时，抓拍行人图片，对闯红灯行为进行检测，具体包括如下步骤：

步骤1、通过闯红灯姿态空间关系学习，得到学习后的空间关系矩阵；

步骤2、根据输入的行人图片，生成遮挡姿态图；

步骤3、根据生成的遮挡姿态图，进行闯红灯姿态空间关系传播；

步骤4、采用蒸馏学习法，进行高分辨率的教师网络训练，得到教师网络参数模型；