CN109740522A - 一种人员检测方法、装置、设备及介质 - Google Patents
一种人员检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109740522A CN109740522A CN201811645930.7A CN201811645930A CN109740522A CN 109740522 A CN109740522 A CN 109740522A CN 201811645930 A CN201811645930 A CN 201811645930A CN 109740522 A CN109740522 A CN 109740522A
- Authority
- CN
- China
- Prior art keywords
- radiofrequency signal
- thermal map
- personnel
- training
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 44
- 210000000988 bone and bone Anatomy 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000002596 correlated effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人员检测方法、装置、设备及介质。该方法的步骤包括:对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,射频信号热图样本是预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的;通过发射射频信号以获取目标场景下的目标射频信号热图,并将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果。本方法能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。此外,本发明还提供一种人员检测装置、设备及介质,有益效果同上所述。
Description
技术领域
本发明涉及人员检测领域,特别是涉及一种人员检测方法、装置、设备及介质。
背景技术
人体姿态估计是一项计算机视觉技术中非常重要的应用,广泛应用于监控、活动识别、游戏等领域,其主要是从人体图像提取出手臂、腿部关节,以及躯干和头部等特征点,并用这些信息重新组成二维的人体骨骼。
通过人体姿态估计的方式能够根据场景图像判别在场景内是否存在有人员,因此当前较为普遍应用于在密闭空间中的人员检测,如列车、飞机等公共交通工具中,以此能够在公共交通工具停运时,通过当前的方式检测公共交通工具内部是否仍有乘客,进而确保乘客的人身安全。
当前通过人体姿态估计对公共交通工具中是否存在人员进行检测,具体实现是通过公共交通工具中的监控摄像头拍摄场景图像,并将场景图像作为判定依据输入卷积神经网络模型以进行分析,进而获悉场景图像中是否存在表征人体结构的一系列相应特征点,以此判定在公共交通工具中是否存在尚未离开人员。但是由于在公共交通工具中的遮挡物过多,当人员被物体遮挡时,无法被监控摄像头拍摄到,进而通过卷积神经网络模型对场景图像的分析也就难以获悉到公共交通工具中有人员的存在,并且当遮挡物可能遮掩住人员的一部分身体时,会加大视觉处理的难度,增加误判的几率,因此当前对于空间内人员检测的准确程度较低,难以确保人员检测的整体可靠性。
由此可见,提供一种人员检测方法,以相对提高对于空间内人员检测的准确程度,相对确保人员检测的整体可靠性,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种人员检测方法、装置、设备及介质,以相对提高对于空间内人员检测的准确程度,相对确保人员检测的整体可靠性。
为解决上述技术问题,本发明提供一种人员检测方法,包括:
对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,射频信号热图样本是预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的;
通过发射射频信号以获取目标场景下的目标射频信号热图,并将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果。
优选的,对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型包括:
获取包含有人体姿态信息的射频信号热图样本以及与射频信号热图样本对应的场景图像样本;
将场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成场景图像样本对应的标准关节点图;
通过对射频信号热图样本进行卷积神经网络训练,生成训练模型;
对训练模型进行修正直至训练模型对射频信号热图处理得到的训练关节点图与标准关节点图之间的偏差值小于预设值,将训练模型设定为射频信号识别模型。
优选的,通过对射频信号热图样本进行卷积神经网络训练,生成训练模型具体为:
通过对射频信号热图样本进行基于时空卷积的卷积神经网络训练,生成训练模型。
优选的,将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果包括:
将目标射频信号热图输入射频信号识别模型生成人体关节点图;
判断人体关节点图中的目标点位是否具有关节点;
如果是,则将检测结果设定为表征目标场景存在人员的内容;
否则,则将检测结果设定为表征目标场景未存在人员的内容。
优选的,当判断人体关节点图中的目标点位是否具有关节点的结果为是时,该方法进一步包括:
将人体关节点图中互信息权重值最高的各关节点相互连接,生成骨骼图像;
根据骨骼图像判定目标场景下人员的行为状态。
优选的,射频信号热图样本具体为RGB格式的射频信号热图样本。
此外,本发明还提供一种人员检测装置,包括:
模型训练模块,用于对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,射频信号热图样本是预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的;
模型检测模块,用于通过发射射频信号以获取目标场景下的目标射频信号热图,并将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果。
优选的,模型训练模块包括:
样本获取模块,用于获取包含有人体姿态信息的射频信号热图样本以及与射频信号热图样本对应的场景图像样本;
关节点生成模块,用于将场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成场景图像样本对应的标准关节点图;
训练模型生成模块,用于通过对射频信号热图样本进行卷积神经网络训练,生成训练模型;
训练模型修正模块,用于对训练模型进行修正直至训练模型对射频信号热图处理得到的训练关节点图与标准关节点图之间的偏差值小于预设值,将训练模型设定为射频信号识别模型。
此外,本发明还提供一种人员检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的人员检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的人员检测方法的步骤。
本发明所提供的人员检测方法,通过对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成相应的射频信号识别模型,其中,射频信号热图样本是通过预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的,进而通过发射射频信号以获取目标场景下的目标射频信号热图,并将其作为射频信号识别模型的输入图像以通过射频信号识别模型对目标射频信号热图进行处理,以此实现对目标场景是否存在人员进行检测,进而获得检测结果。本方法是先通过卷积神经网络对射频信号热图样本中包含的人体姿态的相关特征进行训练提取,生成具有辨别人体特征能力的射频信号识别模型,进而通过射频信号识别模型分析在实际场景下的射频信号热图,以此获悉实际场景下是否存在人员。由于射频信号能够穿透遮挡物转播,因此通过射频信号热图能够呈现出遮挡物后方的物体,因此即使人员被物体遮挡,也能够通过射频信号热图获悉到该人员的存在,进而本方法根据由射频信号生成的射频信号热图进行人员检测,能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。此外,本发明还提供一种人员检测装置、设备及介质,有益效果同上所述。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人员检测方法的流程图;
图2为本发明实施例提供的另一种人员检测方法的流程图;
图3为本发明实施例提供的一种人员检测装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种人员检测方法,以相对提高对于空间内人员检测的准确程度,相对确保人员检测的整体可靠性。本发明的另一核心是提供一种人员检测装置、设备及介质。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1为本发明实施例提供的一种人员检测方法的流程图。请参考图1,人员检测方法的具体步骤包括:
步骤S10:对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型。
其中,射频信号热图样本是预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的。
需要说明的是,在本步骤的重点在于对包含有人体姿态信息的设备信号热图进行卷积神经网络训练,本步骤中的射频信号热图样本是预先通过向人体发射射频信号,进而根据人体阻挡射频信号后进行反射的反射信号绘制生成的。由于射频信号是经过调制的,拥有一定发射频率的电波,因此在射频信号具有波的特性,在传递的过程中,如遇障碍物或人体时则会在穿透的同时产生反射,当所穿透的物体的密度差越大时,反射量越大,并且基于不同物体反射后的反射信号具有特定的波速以及波长,因此能够根据反射信号的波速以及波长区别不同的物体,并且由于反射信号会依照所反射物体的形状进行反射,本步骤中的射频信号热图即通过预先向人体发射射频信号,进而接收经人体反射得到的反射信号,并根据该反射信号进行图像绘制,以此生成包含有人体姿态信息的射频信号热图样本,具体是根据当前场景方向上的反射信号的强度,绘制信号热图。需要强调的是,信号热图并非反射物体的形状,而是根据反射物体的形状生成的波形图,反射信号的强度越大信号热图中的波形颜色越红,越小则越蓝,为了更加全面的接收当前场景各方向上反射回的信号,可以在水平以及竖直的不同位置上分别设置一定数量的天线阵列进行信号接收。
由于射频信号热图样本中包含有人体的姿态信息,因此通过卷积神经网络对视频信号热图进行训练,以此对射频信号热图样本中有关人体姿态的相关特征进行学习,进而生成能够分析射频信号热图中人体的相关特征信息的射频信号识别模型。
步骤S11:通过发射射频信号以获取目标场景下的目标射频信号热图,并将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果。
本步骤是通过预先得到的射频信号识别模型,在真实的应用场景下进行是否存在人员的检测。在执行时需要先通过在场景中发射射频信号,进而根据场景下物体对射频信号反射的反射信号进行目标射频信号热图的绘制,具体的绘制方式与步骤S10中对射频信号热图样本的绘制方法相近,但需要强调的是,由于生成射频信号热图样本的目的是为了对人体姿态的特征进行卷积学习,因此射频信号热图样本仅由人体的反射信号产生,而本步骤中的目标射频信号热图是在真实使用场景下生成的,真实使用场景下往往会包含有除人体以外的物体,因此在获取反射信号之后,因经过特定的滤波电路以人体反射的特定频率对反射信号进行过滤,以去除其它无关物体所反射的信号。
另外,需要说明的是,在本步骤执行过程中,为了达到发射射频信号以及接受反射信号的目的,需要预先在场景中安装用于发射射频信号并收集反射信号的信号收发电路。信号收发电路可以由FMCW(调频连续波)信号生成电路以及信号接收电路组成,前者采用信号发生模块、滤波电路、自动增益模块以及天线收发装置组合成信号发射器,其中信号发生模块的实现可以是将DDS(直接数字式频率合成器)与PLL(锁相环)在一起联合应用,利用DDS的高分辨率特性解决PLL频率分辨率和频率转换时间的矛盾。DDS的高频率分辨率来改进输出频率的步进间隔,同时利用PLL进行倍频输出更高频率信号。这种混合方案实现的频率合成***能够获得宽频带、高频率分辨率、高频率转换速度的频率信号,满足多种复杂***的要求。
本发明所提供的人员检测方法,通过对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成相应的射频信号识别模型,其中,射频信号热图样本是通过预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的,进而通过发射射频信号以获取目标场景下的目标射频信号热图,并将其作为射频信号识别模型的输入图像以通过射频信号识别模型对目标射频信号热图进行处理,以此实现对目标场景是否存在人员进行检测,进而获得检测结果。本方法是先通过卷积神经网络对射频信号热图样本中包含的人体姿态的相关特征进行训练提取,生成具有辨别人体特征能力的射频信号识别模型,进而通过射频信号识别模型分析在实际场景下的射频信号热图,以此获悉实际场景下是否存在人员。由于射频信号能够穿透遮挡物转播,因此通过射频信号热图能够呈现出遮挡物后方的物体,因此即使人员被物体遮挡,也能够通过射频信号热图获悉到该人员的存在,进而本方法根据由射频信号生成的射频信号热图进行人员检测,能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。
实施例二
在上述实施例的基础上,本发明还提供以下一系列优选的实施方式。
图2为本发明实施例提供的另一种人员检测方法的流程图。图2中步骤S11与图1相同,在此不再赘述。
如图2所示,作为一种优选的实施方式,对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型包括:
步骤S20:获取包含有人体姿态信息的射频信号热图样本以及与射频信号热图样本对应的场景图像样本。
需要强调的是,本步骤中获取的场景图像样本是与信号热图样本相对应的,也就是说,本步骤中获取的场景图像样本以及射频信号热图样本,均包含有相同的人体姿态信息。另外,本步骤中的场景图像样本指的是通过摄像头拍摄的视觉图像。
步骤S21:将场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成场景图像样本对应的标准关节点图。
需要说明的是,由于当前基于深度学习对视觉层面上的人体姿态进行识别,生成关节点图属于本领域技术人员公知的内容,因此具体执行细节在此不做赘述。本步骤的目的是将场景图像样本输入至卷积神经网络,进而通过卷积神经网络当前已有的人体姿态估计模型,对场景图像样本中人体姿态进行关节点的提取,进而将关节点汇集并生成为相应的标准关节点图,通过标准关节点图中的关节点能够反映出人体姿态。
步骤S22:通过对射频信号热图样本进行卷积神经网络训练,生成训练模型。
本步骤通过对射频信号热图样本进行卷积神经网络训练,目的是对射频信号热图样本中的特征进行提取以及聚类,最终生成训练模型。训练模型是对射频信号热图样本中的特征进行提取并聚类学习后生成的,目的是能够根据预先学习的特征在射频信号热图中分析出关于人体姿态的信息。由于对图像样本进行卷积神经网络训练,是本领域技术人员公知的技术内容,因此在此不做赘述。
步骤S23:对训练模型进行修正直至训练模型对射频信号热图处理得到的训练关节点图与标准关节点图之间的偏差值小于预设值,将训练模型设定为射频信号识别模型。
本步骤为本实施方式的关键步骤,本步骤的核心思想是将已有的人体姿态估计模型对人体姿态进行识别所生成的标准关节点图作为调整训练模型的标准。由于训练模型用于在射频信号热图中分析表征人体姿态的一系列关节点,并以关节点的位置以及数量判定场景下是否存在人员,因此在理论上而言,训练模型对于射频信号热图的分析结果应与人体姿态估计模型对场景图像的分析结果一致,因此为了相对提高训练模型的分析准确性,本实施方式对训练模型进行修正直至训练模型对射频信号热图处理得到的训练关节点图与标准关节点图之间的偏差值小于预设值,即认为训练模型的分析准确性与已有的人体姿态估计模型相近,进而将训练模型设定为能够应用于真实场景下的射频信号识别模型。
另外,本步骤中的修正在本质上是指对卷积神经网络训练过程中的参数进行修改,以此达到修正训练模型的目的,由于对卷积神经网络的参数进行修改达到对所得模型的修正,是本领域技术人员所知的内容,在此不做赘述。
本实施方式通过相对准确的人体姿态估计模型作为标准对训练模型的训练进行相对高效的修正。
在上述实施方式的基础上,作为一种优选的实施方式,通过对射频信号热图样本进行卷积神经网络训练,生成训练模型具体为:
通过对射频信号热图样本进行基于时空卷积的卷积神经网络训练,生成训练模型。
需要说明的是,时空卷积是指输入多帧(L帧)图像,然后一次以步进式(在时间方向)对一定数量帧(D帧)进行卷积(把多个(一次所处理的图像)2D卷积核的结果叠加起来,作为3D卷积的结果),D<L,从而保留时间信息,而不是在同一时刻对所有的帧进行卷积,避免破坏时间信息。
在具体操作过程中,可以将卷积神经网络设置为由十层9*5*5时空卷积层组成,使用步长为1*2*2的卷积核进行卷积。并在每一层之后使用ReLU激活函数进行批量归一化并输出,进而将编码网络的两路输出(垂直、水平各一路)数据,使用跨步卷积网络(stridedconvolutional networks)进行结合,以去除空间维度以便总结图中的特征信息,进而采取4层卷积步长为1*(1/2)*(1/2)的3*6*6的反卷积(fractionally strided convolutions)层和1层卷积步长为1*(1/4)*(1/4)的3*6*6的反卷积层组成,把特征信息解码为训练关节点图,以此根据训练关节点图与标准关节点图之间的差异调整训练模型。
本实施方式采用时空卷积的目的在于保证时空的不变性,进而保证训练模型的整体准确性。
此外,作为一种优选的实施方式,将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果包括:
将目标射频信号热图输入射频信号识别模型生成人体关节点图;
判断人体关节点图中的目标点位是否具有关节点;
如果是,则将检测结果设定为表征目标场景存在人员的内容;
否则,则将检测结果设定为表征目标场景未存在人员的内容。
需要说明的是,由于考虑到关节点是将人体姿态特征进行提取后生成的,并且关节点之间的相对位置关系固定,因此本实施方式通过判定在人体关节点图中位置关系相对固定的目标点位是否具有关节点,以判定目标场景中是否存在人员。本实施方式仅根据人体关节点图中相对固定的少数点位是否存在关节点来判定目标场景中是否存在人员,相对减少了检测结果生成过程所需的整体开销。另外,本实施方式中的目标点位的选取以及整体数量应根据检测的准确性程度而定,在此不做具体限定。
在上述实施方式的基础上,作为一种优选的实施方式,当判断人体关节点图中的目标点位是否具有关节点的结果为是时,该方法进一步包括:
将人体关节点图中互信息权重值最高的各关节点相互连接,生成骨骼图像;
根据骨骼图像判定目标场景下人员的行为状态。
需要说明的是,互信息(Mutual Information)是信息论里一种信息度量方式,它可以看成是一个随机变量中包含的关于另一个随机变量的信息量。本实施方式中的互信息权重值表征的是人体关节点图中各个关节点之间的关联性程度,由于人体在活动过程中,各个关节点之间具有联动性,因此能够以互信息的方式表征关节点之间的关联性,进而本实施方式将关联程度最高的关节点相互连接,即将人体关节点图中互信息权重值最高的各关节点相互连接,以此生成骨骼图像,并在生成骨骼图像后能够根据骨骼图像中骨骼形态推断目标场景下的人员的行为状态。本实施方式能够进一步对人员的行为状态进行推断,进而根据行为状态能够分析人员是否存在危险,进一步提高了人员检测的全面性。
在上述一系列实施方式的基础上,作为一种优选的实施方式,射频信号热图样本具体为RGB格式的射频信号热图样本。
需要说明的是,由于考虑到RGB格式的图像具有色彩表现范围广的优点,因此本实施方式对RGB格式的射频信号热图样本进行训练,能够根据射频信号热图样本相对丰富的色彩表现范围提高在射频信号热图样本中所提取特征的丰富性,进而相对提高训练样本的整体准确性。
实施例三
在上文中对于人员检测的实施例进行了详细的描述,本发明还提供一种与该方法对应的人员检测装置,由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图3为本发明实施例提供的一种人员检测装置的结构图。本发明实施例提供的人员检测装置,包括:
模型训练模块10,用于对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,射频信号热图样本是预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的。
模型检测模块11,用于通过发射射频信号以获取目标场景下的目标射频信号热图,并将目标射频信号热图输入射频信号识别模型以对目标场景是否存在人员进行检测,获取检测结果。
本发明所提供的人员检测装置,通过对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成相应的射频信号识别模型,其中,射频信号热图样本是通过预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的,进而通过发射射频信号以获取目标场景下的目标射频信号热图,并将其作为射频信号识别模型的输入图像以通过射频信号识别模型对目标射频信号热图进行处理,以此实现对目标场景是否存在人员进行检测,进而获得检测结果。本装置是先通过卷积神经网络对射频信号热图样本中包含的人体姿态的相关特征进行训练提取,生成具有辨别人体特征能力的射频信号识别模型,进而通过射频信号识别模型分析在实际场景下的射频信号热图,以此获悉实际场景下是否存在人员。由于射频信号能够穿透遮挡物转播,因此通过射频信号热图能够呈现出遮挡物后方的物体,因此即使人员被物体遮挡,也能够通过射频信号热图获悉到该人员的存在,进而本装置根据由射频信号生成的射频信号热图进行人员检测,能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。
在实施例三的基础上,模型训练模块包括:
样本获取模块,用于获取包含有人体姿态信息的射频信号热图样本以及与射频信号热图样本对应的场景图像样本。
关节点生成模块,用于将场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成场景图像样本对应的标准关节点图。
训练模型生成模块,用于通过对射频信号热图样本进行卷积神经网络训练,生成训练模型。
训练模型修正模块,用于对训练模型进行修正直至训练模型对射频信号热图处理得到的训练关节点图与标准关节点图之间的偏差值小于预设值,将训练模型设定为射频信号识别模型。
实施例四
本发明还提供一种人员检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的人员检测方法的步骤。
本发明所提供的人员检测设备,通过对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成相应的射频信号识别模型,其中,射频信号热图样本是通过预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的,进而通过发射射频信号以获取目标场景下的目标射频信号热图,并将其作为射频信号识别模型的输入图像以通过射频信号识别模型对目标射频信号热图进行处理,以此实现对目标场景是否存在人员进行检测,进而获得检测结果。本设备是先通过卷积神经网络对射频信号热图样本中包含的人体姿态的相关特征进行训练提取,生成具有辨别人体特征能力的射频信号识别模型,进而通过射频信号识别模型分析在实际场景下的射频信号热图,以此获悉实际场景下是否存在人员。由于射频信号能够穿透遮挡物转播,因此通过射频信号热图能够呈现出遮挡物后方的物体,因此即使人员被物体遮挡,也能够通过射频信号热图获悉到该人员的存在,进而本设备根据由射频信号生成的射频信号热图进行人员检测,能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的人员检测方法的步骤。
本发明所提供的计算机可读存储介质,通过对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成相应的射频信号识别模型,其中,射频信号热图样本是通过预先向人体发射射频信号并根据人体对射频信号的反射信号绘制生成的,进而通过发射射频信号以获取目标场景下的目标射频信号热图,并将其作为射频信号识别模型的输入图像以通过射频信号识别模型对目标射频信号热图进行处理,以此实现对目标场景是否存在人员进行检测,进而获得检测结果。本计算机可读存储介质是先通过卷积神经网络对射频信号热图样本中包含的人体姿态的相关特征进行训练提取,生成具有辨别人体特征能力的射频信号识别模型,进而通过射频信号识别模型分析在实际场景下的射频信号热图,以此获悉实际场景下是否存在人员。由于射频信号能够穿透遮挡物转播,因此通过射频信号热图能够呈现出遮挡物后方的物体,因此即使人员被物体遮挡,也能够通过射频信号热图获悉到该人员的存在,进而本计算机可读存储介质根据由射频信号生成的射频信号热图进行人员检测,能够相对提高对于空间内人员检测的准确程度,且能够相对确保人员检测的整体可靠性。
以上对本发明所提供的一种人员检测方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种人员检测方法,其特征在于,包括:
对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,所述射频信号热图样本是预先向人体发射射频信号并根据所述人体对所述射频信号的反射信号绘制生成的;
通过发射射频信号以获取目标场景下的目标射频信号热图,并将所述目标射频信号热图输入所述射频信号识别模型以对所述目标场景是否存在人员进行检测,获取检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型包括:
获取包含有人体姿态信息的所述射频信号热图样本以及与所述射频信号热图样本对应的场景图像样本;
将所述场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成所述场景图像样本对应的标准关节点图;
通过对所述射频信号热图样本进行卷积神经网络训练,生成训练模型;
对所述训练模型进行修正直至所述训练模型对所述射频信号热图处理得到的训练关节点图与所述标准关节点图之间的偏差值小于预设值,将所述训练模型设定为所述射频信号识别模型。
3.根据权利要求2所述的方法,其特征在于,所述通过对所述射频信号热图样本进行卷积神经网络训练,生成训练模型具体为:
通过对所述射频信号热图样本进行基于时空卷积的所述卷积神经网络训练,生成所述训练模型。
4.根据权利要求2所述的方法,其特征在于,所述将所述目标射频信号热图输入所述射频信号识别模型以对所述目标场景是否存在人员进行检测,获取检测结果包括:
将所述目标射频信号热图输入所述射频信号识别模型生成人体关节点图;
判断所述人体关节点图中的目标点位是否具有关节点;
如果是,则将所述检测结果设定为表征所述目标场景存在人员的内容;
否则,则将所述检测结果设定为表征所述目标场景未存在人员的内容。
5.根据权利要求4所述的方法,其特征在于,当所述判断所述人体关节点图中的目标点位是否具有关节点的结果为是时,该方法进一步包括:
将所述人体关节点图中互信息权重值最高的各所述关节点相互连接,生成骨骼图像;
根据所述骨骼图像判定所述目标场景下人员的行为状态。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述射频信号热图样本具体为RGB格式的射频信号热图样本。
7.一种人员检测装置,其特征在于,包括:
模型训练模块,用于对包含有人体姿态信息的射频信号热图样本进行卷积神经网络训练,生成射频信号识别模型;其中,所述射频信号热图样本是预先向人体发射射频信号并根据所述人体对所述射频信号的反射信号绘制生成的;
模型检测模块,用于通过发射射频信号以获取目标场景下的目标射频信号热图,并将所述目标射频信号热图输入所述射频信号识别模型以对所述目标场景是否存在人员进行检测,获取检测结果。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块包括:
样本获取模块,用于获取包含有人体姿态信息的所述射频信号热图样本以及与所述射频信号热图样本对应的场景图像样本;
关节点生成模块,用于将所述场景图像样本输入至卷积神经网络预设的人体姿态估计模型,生成所述场景图像样本对应的标准关节点图;
训练模型生成模块,用于通过对所述射频信号热图样本进行卷积神经网络训练,生成训练模型;
训练模型修正模块,用于对所述训练模型进行修正直至所述训练模型对所述射频信号热图处理得到的训练关节点图与所述标准关节点图之间的偏差值小于预设值,将所述训练模型设定为所述射频信号识别模型。
9.一种人员检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的人员检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的人员检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645930.7A CN109740522B (zh) | 2018-12-29 | 2018-12-29 | 一种人员检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645930.7A CN109740522B (zh) | 2018-12-29 | 2018-12-29 | 一种人员检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740522A true CN109740522A (zh) | 2019-05-10 |
CN109740522B CN109740522B (zh) | 2023-05-02 |
Family
ID=66362805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811645930.7A Active CN109740522B (zh) | 2018-12-29 | 2018-12-29 | 一种人员检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740522B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175554A (zh) * | 2019-05-23 | 2019-08-27 | 南方科技大学 | 室内布局的检测方法、装置、设备及存储介质 |
CN110287774A (zh) * | 2019-05-14 | 2019-09-27 | 广东康云科技有限公司 | 基于wifi的对象侦测方法、***及存储介质 |
CN111291692A (zh) * | 2020-02-17 | 2020-06-16 | 咪咕文化科技有限公司 | 视频场景识别方法、装置、电子设备及存储介质 |
CN111652040A (zh) * | 2020-04-14 | 2020-09-11 | 广西万云科技有限公司 | 一种基于射频及信号自适应卷积神经网络进行人体活动识别的方法与*** |
CN113671199A (zh) * | 2020-07-28 | 2021-11-19 | 国网江苏省电力有限公司南通供电分公司 | 一种用于封样送检的取样*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN106236061A (zh) * | 2015-06-04 | 2016-12-21 | 松下知识产权经营株式会社 | 人体检测装置 |
CN107886069A (zh) * | 2017-11-10 | 2018-04-06 | 东北大学 | 一种多目标人体2d姿态实时检测***及检测方法 |
CN108229389A (zh) * | 2017-12-29 | 2018-06-29 | 努比亚技术有限公司 | 人像处理方法、装置及计算机可读存储介质 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
-
2018
- 2018-12-29 CN CN201811645930.7A patent/CN109740522B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236061A (zh) * | 2015-06-04 | 2016-12-21 | 松下知识产权经营株式会社 | 人体检测装置 |
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN107886069A (zh) * | 2017-11-10 | 2018-04-06 | 东北大学 | 一种多目标人体2d姿态实时检测***及检测方法 |
CN108229389A (zh) * | 2017-12-29 | 2018-06-29 | 努比亚技术有限公司 | 人像处理方法、装置及计算机可读存储介质 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287774A (zh) * | 2019-05-14 | 2019-09-27 | 广东康云科技有限公司 | 基于wifi的对象侦测方法、***及存储介质 |
CN110175554A (zh) * | 2019-05-23 | 2019-08-27 | 南方科技大学 | 室内布局的检测方法、装置、设备及存储介质 |
CN110175554B (zh) * | 2019-05-23 | 2024-01-12 | 南方科技大学 | 室内布局的检测方法、装置、设备及存储介质 |
CN111291692A (zh) * | 2020-02-17 | 2020-06-16 | 咪咕文化科技有限公司 | 视频场景识别方法、装置、电子设备及存储介质 |
CN111291692B (zh) * | 2020-02-17 | 2023-10-20 | 咪咕文化科技有限公司 | 视频场景识别方法、装置、电子设备及存储介质 |
CN111652040A (zh) * | 2020-04-14 | 2020-09-11 | 广西万云科技有限公司 | 一种基于射频及信号自适应卷积神经网络进行人体活动识别的方法与*** |
CN113671199A (zh) * | 2020-07-28 | 2021-11-19 | 国网江苏省电力有限公司南通供电分公司 | 一种用于封样送检的取样*** |
Also Published As
Publication number | Publication date |
---|---|
CN109740522B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740522A (zh) | 一种人员检测方法、装置、设备及介质 | |
EP3869459B1 (en) | Target object identification method and apparatus, storage medium and electronic apparatus | |
CN105518709B (zh) | 用于识别人脸的方法、***和计算机程序产品 | |
CN107330437B (zh) | 基于卷积神经网络目标实时检测模型的特征提取方法 | |
CN108846365B (zh) | 视频中打架行为的检测方法、装置、存储介质及处理器 | |
CN109191369A (zh) | 2d图片集转3d模型的方法、存储介质和装置 | |
CN108319901B (zh) | 人脸的活体检测方法、装置、计算机设备及可读介质 | |
CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子*** | |
CN109271888A (zh) | 基于步态的身份识别方法、装置、电子设备 | |
CN110222787A (zh) | 多尺度目标检测方法、装置、计算机设备及存储介质 | |
CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
US9183431B2 (en) | Apparatus and method for providing activity recognition based application service | |
CN106037651B (zh) | 一种心率检测方法及*** | |
CN103714321B (zh) | 基于距离图像和强度图像的驾驶员人脸定位*** | |
CN106104573A (zh) | 霍夫处理器 | |
CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及*** | |
CN114862837A (zh) | 基于改进YOLOv5s的人体安检图像检测方法及*** | |
CN108256404A (zh) | 行人检测方法和装置 | |
CN105740780A (zh) | 人脸活体检测的方法和装置 | |
CN110070029A (zh) | 一种步态识别方法及装置 | |
CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
CN106033601A (zh) | 检测异常情形的方法和装置 | |
CN110728213A (zh) | 一种基于无线射频信号的细粒度人体姿态估计方法 | |
CN110490052A (zh) | 基于级联多任务学习的人脸检测及人脸属性分析方法及*** | |
CN109961029A (zh) | 一种危险物品检测方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |