CN113343820A - 一种行人检测方法、装置、计算机设备及存储介质 - Google Patents
一种行人检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113343820A CN113343820A CN202110599883.2A CN202110599883A CN113343820A CN 113343820 A CN113343820 A CN 113343820A CN 202110599883 A CN202110599883 A CN 202110599883A CN 113343820 A CN113343820 A CN 113343820A
- Authority
- CN
- China
- Prior art keywords
- image
- pedestrian detection
- feature map
- detection information
- feature
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 238000000605 extraction Methods 0.000 claims abstract description 81
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000000034 method Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种行人检测方法,包括:获取摄像机在不同时刻采集的第一图像和第二图像;对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;对第一特征图进行识别,得到第一行人检测信息;根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。此外,本发明还提供一种行人检测装置、计算机设备及存储介质。不再需要重复对第二特征图进行识别,确定运动模型时需要的计算量远小于识别所需要的计算量,因此提高了整体效率,并且在高速检测时,也不易出现宕机现象,可靠性高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种行人检测方法、装置、计算机设备及存储介质。
背景技术
随着我国经济的高速发展,各类建筑工程项目急剧增多,需要大量的建筑工人,而建筑工地上建筑工人的安全保障是重要的管理内容。目前每个建筑工地都会配置对应的监督人员进行巡查,以保证建筑工人都处于指定的工作区域中,避免随意走入,从而误入危险区域,造成安全事故;或者及时查看建筑工人的分布情况,从而高效调度。
但是建筑工地上的情况十分复杂,各类杂物堆砌,无法保证所有区域都在监督人员的视距范围内,并且监督人员也无法做到不间断巡查,因此采用人工巡查的效率低、成本高。在现有技术中,还利用图像识别技术来检测建筑工地上行人,但由于对行人的检测是实时的,因此需要对摄像机采集的每帧图像都进行检测,导致计算量非常大,整体效率不高,尤其在高速检测时还容易出现宕机现象,可靠性低。
发明内容
针对现有技术中所存在的不足,本发明提供一种行人检测方法、装置、计算机设备及存储介质。
第一方面,在一个实施例中,本发明提供一种行人检测方法,包括:
获取摄像机在不同时刻采集的第一图像和第二图像;
对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;
对第一特征图进行识别,得到第一行人检测信息;
根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;
根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
在一个实施例中,根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型,包括:
通过特征点筛选函数分别获取第一特征图的第一关键点集合和第二特征图的第二关键点集合;
根据第一关键点集合和第二关键点集合确定第一图像和所述第二图像之间的运动模型。
在一个实施例中,根据所述第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息,包括:
根据运动模型对第一行人检测信息进行运动补偿,得到第二行人检测信息。
在一个实施例中,对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图,包括:
将第一图像输入到训练好的特征提取模型中,得到特征提取模型输出的第一特征图;
将第二图像输入到特征提取模型中,得到特征提取模型输出的第二特征图。
在一个实施例中,特征提取模型包括7层卷积层和7层最大池化层。
在一个实施例中,对第一特征图进行识别,得到第一行人检测信息,包括:
将第一特征图输入到训练好的支持向量机模型中,得到支持向量机模型输出的第一行人检测信息。
在一个实施例中,支持向量机模型采用高斯核函数,高斯核函数的表达式为:
其中,(m,n)为特征点的坐标信息,exp为指数函数,δ为标准方差。
第二方面,在一个实施例中,本发明提供一种行人检测装置,包括:
图像获取模块,用于获取摄像机在不同时刻采集的第一图像和第二图像;
特征提取模块,用于对第一图像进行特征提取,得到第一特征图;以及用于对第二图像进行特征提取,得到第二特征图;
特征识别模块,用于对第一特征图进行识别,得到第一行人检测信息;
运动模型模块,用于根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型;
检测信息模块,用于根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
第三方面,在一个实施例中,本发明提供一种计算机设备,包括处理器和存储器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
获取摄像机在不同时刻采集的第一图像和第二图像;
对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;
对第一特征图进行识别,得到第一行人检测信息;
根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;
根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
第四方面,在一个实施例中,本发明提供一种存储介质,储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
获取摄像机在不同时刻采集的第一图像和第二图像;
对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;
对第一特征图进行识别,得到第一行人检测信息;
根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;
根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
通过上述行人检测方法、装置、计算机设备及存储介质,对第一图像进行特征提取以及识别得到第一行人检测信息后,只需要对第二图像进行特征提取,然后再根据得到的第一特征图和第二特征图确定运动模型,最后通过运动模型对第一行人检测信息进行调整即可得到第二图像对应的第二行人检测信息,不再需要重复对第二特征图进行识别,确定运动模型时需要的计算量远小于识别所需要的计算量,因此提高了整体效率,并且在高速检测时,也不易出现宕机现象,可靠性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
其中:
图1为本发明一个实施例中行人检测方法的流程示意图;
图2为本发明一个实施例中确定运动模型的具体流程示意图;
图3为本发明一个实施例中行人检测装置的结构示意图;
图4为本发明一个实施例中计算机设备的结构示意图。
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,而不是全部的实施例。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,都属于本发明保护的范围。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,如图1所示,在一个实施例中,本发明提供一种行人检测方法,包括:
步骤102,获取摄像机在不同时刻采集的第一图像和第二图像。
其中,第一图像和第二图像通常分别为摄像机先后采集的实时图像。当然在其他实施例中,对于检测信息输出的频率要求不高时,也即在后续处理中,不按照采集的先后顺序进行,而是等待完成一批次图像的采集后,再进行处理。比如对于检测信息输出的频率要求较高时,第一图像采集的时刻比第二图像早,则先获取到第一图像,对第一图像进行处理并输出检测信息,再获取第二图像,对第二图像进行处理并输出检测信息;在另外一种方式中,对于检测信息输出的频率要求不高时,则获取第一图像和第二图像,然后再对第一图像或第二图像进行处理,如此会存在一个等待时间;当应用于对建筑工地上的行人进行检测时,需要实时知晓行人的情况,因此采用第一种方式。
其中,第一图像和第二图像分别为先后但不连续的图像,也即第一图像和第二图像之间还存在其他图像。考虑到摄像机的采集频率很高,通常1s采集30帧等,而应用于对建筑工地上的行人进行检测时,不需要具体到每一帧,因此每N张图像获取一张。比如对于频率为30Hz的摄像机而言,每30张获取一张,也即第一图像和第二图像对应的时间间隔为1s。如此在保障使用要求的基础上降低了计算量,提高了效率和可靠性。
步骤104,对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图。
其中,特征提取主要是用于对图像进行压缩,选中图像中重要的部分,而其他对于识别结果没有任何影响的部分会在特征提取过程中被清除。此外,当第一图像与第二图像分别为先后获取的情况下,对于第二图像的特征提取通常在步骤106之后,比如先对第一图像进行特征提取和识别,再对第二图像进行特征提取;当然也可以先依次对第一图像和第二图像进行特征提取,再对第一图像进行识别。
步骤106,对第一特征图进行识别,得到第一行人检测信息。
其中,根据不同的需求,第一行人检测信息对应的内容不同,比如内容为第一图像中行人的数量,此外内容还可以包括每个行人的位置,具体输出的形式可以是在第一图像中圈画识别结果为行人的区域。
步骤108,根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型。
其中,运动模型是指第一图像中的某个行人和第二图像中该行人的运动情况,也即该行人对应的目标区域及目标区域坐标的变化量。
步骤110,根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
其中,在确定第一图像和第二图像中对应行人的运动情况后,即可根据运动情况对第一行人检测信息进行调整,比如修改第一行人检测信息中的部分圈画,即得到了第二图像对应的第二行人检测信息。
通过上述行人检测方法,对第一图像进行特征提取以及识别得到第一行人检测信息后,只需要对第二图像进行特征提取,然后再根据得到的第一特征图和第二特征图确定运动模型,最后通过运动模型对第一行人检测信息进行调整即可得到第二图像对应的第二行人检测信息,不再需要重复对第二特征图进行识别,确定运动模型时需要的计算量远小于识别所需要的计算量,因此提高了整体效率,并且在高速检测时,也不易出现宕机现象,可靠性高。
如图2所示,在一个实施例中,根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型,包括:
步骤202,通过特征点筛选函数分别获取第一特征图的第一关键点集合和第二特征图的第二关键点集合。
其中,上述实施例提到,运动模型是指行人对应的目标区域及目标区域坐标的变化量,而目标区域对应的面积较大,并且行人运动时会身体各部位的形态都会发生变化,因此目标区域在运动前后呈现的内容也不完全一致,若此时需要对比目标区域所有的特征点,则难以在第二图像中找到与第一图像中目标区域对应的区域,所以只需要确定目标区域中的关键点,关键点能够确切的代表目标区域。
其中,特征点筛选函数为:
N=∑|I(x)-I(P)|<γd
其中,P为中心像素点,I(P)为中心像素点的图像灰度值,I(x)为圆周上任意一点的图像灰度值,γd为给定的一个极小阈值。
步骤204,根据第一关键点集合和第二关键点集合确定第一图像和所述第二图像之间的运动模型。
其中,比如,第一关键点集合为Nt-1,第二关键点集合为Nt,通过以下公式来得到每个关键点的运动信息。
I(x,y,t)=I(x+Δx,y+Δy,t+Δt)
其中,一个目标区域可能包含多个关键点,在计算时,不同关键点对应的运动信息可能不同,此时可以通过加权平均的方式获得一个统一的运动信息(即目标区域的运动信息)。多个目标区域的运动信息则构成了第一图像和第二图像之间的运动模型。
通过筛选关键点来确定运动模型,减少了计算量,提高了效率和容错率。
在一个实施例中,根据所述第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息,包括:
根据运动模型对第一行人检测信息进行运动补偿,得到第二行人检测信息。
其中,上述实施例提到,比如第一行人检测信息为第一图像中对于识别结果为行人对应区域的圈画,第一图像中的圈画也存在对应的坐标,结合运动模型中区域对应坐标的变化量调整圈画的坐标并在第二图像中展示,即得到了第二行人检测信息。例如,先将第一图像中的圈画迁移到第二图像中,然后对第二图像中的圈画进行调整。
在一个实施例中,对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图,包括:
将第一图像输入到训练好的特征提取模型中,得到特征提取模型输出的第一特征图;
将第二图像输入到特征提取模型中,得到特征提取模型输出的第二特征图。
其中,特征提取模型是基于卷积神经网络构架的模型,通过机器模型来进行特征提取,效率极高。
在一个实施例中,特征提取模型包括7层卷积层和7层最大池化层。
其中,卷积层用于对图像进行提取,最大池化层用于对提取得到的图像进行压缩。在卷积和池化运算的过程中,越靠前的卷积和池化运算提取的是初级图像特征,越往后提取的是高级语义特征。因此在本实施例的运算过程中,将第一层卷积特征层与第三层卷积层进行乘积运算,增强不同细粒度的图像特征信息,后面的网络也做类似的计算。如第二层卷积特征层与第四层卷积层进行乘积运算,第三层卷积特征层与第五层卷积层进行乘积运算,第四层卷积与第六层卷积层进行乘积运算,第五层卷积特征层与第七层卷积层进行乘积运算。
其中,卷积运算和池化运算是交叉进行的。
通过设计7层卷积层和7层最大池化层能够很好的应用于对行人图像的特征提取。
在一个实施例中,特征提取模型采用5X5的卷积模板和3X3的最大池化模板。
在一个实施例中,对第一特征图进行识别,得到第一行人检测信息,包括:
将第一特征图输入到训练好的支持向量机模型中,得到支持向量机模型输出的第一行人检测信息。
其中,支持向量机(Support Vector Machine,SVM)模型是一种解决小样本、非线性及高维模式识别中表现出许多特有的优势的监督学习模型。多用于分类,比如在本实施例中,对某个区域进行识别,输出是否为行人,在该过程中分类为行人和非行人。
通过支持向量机模型来对第一特征图进行识别,从而得到识别结果,效率极高。
在一个实施例中,支持向量机模型采用高斯核函数,高斯核函数的表达式为:
其中,(m,n)为特征点的坐标信息,exp为指数函数,δ为标准方差。
其中,高斯核函数可以将一个样本映射到一个更高维的空间内,无论大样本还是小样本都有比较好的性能,而且其相对于多项式核函数参数要少很多。
在一个实施例中,支持向量机模型还包括用于约束优化问题求极值的拉格朗日函数,其表达式为:
gi(a)=1-ni(aTmi+θ)≤0
其中a和θ为分类超平面的参数,bi≥0,ci≥0,gi(a)为支持向量,ni为超平面函数,f(a)为分类决策函数。
第二方面,如图3所示,在一个实施例中,本发明提供一种行人检测装置,包括:
图像获取模块302,用于获取摄像机在不同时刻采集的第一图像和第二图像;
特征提取模块304,用于对第一图像进行特征提取,得到第一特征图;以及用于对第二图像进行特征提取,得到第二特征图;
特征识别模块306,用于对第一特征图进行识别,得到第一行人检测信息;
运动模型模块308,用于根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型;
检测信息模块310,用于根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
通过上述行人检测装置,对第一图像进行特征提取以及识别得到第一行人检测信息后,只需要对第二图像进行特征提取,然后再根据得到的第一特征图和第二特征图确定运动模型,最后通过运动模型对第一行人检测信息进行调整即可得到第二图像对应的第二行人检测信息,不再需要重复对第二特征图进行识别,确定运动模型时需要的计算量远小于识别所需要的计算量,因此提高了整体效率,并且在高速检测时,也不易出现宕机现象,可靠性高。
在一个实施例中,运动模型模块具体用于通过特征点筛选函数分别获取第一特征图的第一关键点集合和第二特征图的第二关键点集合;
根据第一关键点集合和第二关键点集合确定第一图像和所述第二图像之间的运动模型。
在一个实施例中,检测信息模块具体用于根据运动模型对第一行人检测信息进行运动补偿,得到第二行人检测信息。
在一个实施例中,特征提取模块具体用于将第一图像输入到训练好的特征提取模型中,得到特征提取模型输出的第一特征图;
将第二图像输入到特征提取模型中,得到特征提取模型输出的第二特征图。
在一个实施例中,特征提取模型包括7层卷积层和7层最大池化层。
在一个实施例中,特征识别模块具体用于将第一特征图输入到训练好的支持向量机模型中,得到支持向量机模型输出的第一行人检测信息。
在一个实施例中,支持向量机模型采用高斯核函数,高斯核函数的表达式为:
其中,(m,n)为特征点的坐标信息,exp为指数函数,δ为标准方差。
第三方面,如图4所示,在一个实施例中,本发明提供一种计算机设备,该计算机设备包括通过***总线连接的处理器、存储器。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质储存有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器执行行人检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行行人检测方法。本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上计算机设备的限定,具体计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供的一种行人检测方法可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成一种行人检测装置的各个程序模块。比如图像获取模块302、特征提取模块304、特征识别模块306、运动模型模块308和检测信息模块310。
一种计算机设备,包括处理器和存储器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
获取摄像机在不同时刻采集的第一图像和第二图像;
对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;
对第一特征图进行识别,得到第一行人检测信息;
根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;
根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
在一个实施例中,根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型,包括:
通过特征点筛选函数分别获取第一特征图的第一关键点集合和第二特征图的第二关键点集合;
根据第一关键点集合和第二关键点集合确定第一图像和所述第二图像之间的运动模型。
在一个实施例中,根据所述第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息,包括:
根据运动模型对第一行人检测信息进行运动补偿,得到第二行人检测信息。
在一个实施例中,对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图,包括:
将第一图像输入到训练好的特征提取模型中,得到特征提取模型输出的第一特征图;
将第二图像输入到特征提取模型中,得到特征提取模型输出的第二特征图。
在一个实施例中,特征提取模型包括7层卷积层和7层最大池化层。
在一个实施例中,对第一特征图进行识别,得到第一行人检测信息,包括:
将第一特征图输入到训练好的支持向量机模型中,得到支持向量机模型输出的第一行人检测信息。
在一个实施例中,支持向量机模型采用高斯核函数,高斯核函数的表达式为:
其中,(m,n)为特征点的坐标信息,exp为指数函数,δ为标准方差。
第四方面,在一个实施例中,本发明提供一种存储介质,储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
获取摄像机在不同时刻采集的第一图像和第二图像;
对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图;
对第一特征图进行识别,得到第一行人检测信息;
根据第一特征图和第二特征图确定第一图像和所述第二图像之间的运动模型;
根据第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息。
在一个实施例中,根据第一特征图和第二特征图确定第一图像和第二图像之间的运动模型,包括:
通过特征点筛选函数分别获取第一特征图的第一关键点集合和第二特征图的第二关键点集合;
根据第一关键点集合和第二关键点集合确定第一图像和所述第二图像之间的运动模型。
在一个实施例中,根据所述第一行人检测信息和运动模型得到第二图像对应的第二行人检测信息,包括:
根据运动模型对第一行人检测信息进行运动补偿,得到第二行人检测信息。
在一个实施例中,对第一图像进行特征提取,得到第一特征图;对第二图像进行特征提取,得到第二特征图,包括:
将第一图像输入到训练好的特征提取模型中,得到特征提取模型输出的第一特征图;
将第二图像输入到特征提取模型中,得到特征提取模型输出的第二特征图。
在一个实施例中,特征提取模型包括7层卷积层和7层最大池化层。
在一个实施例中,对第一特征图进行识别,得到第一行人检测信息,包括:
将第一特征图输入到训练好的支持向量机模型中,得到支持向量机模型输出的第一行人检测信息。
在一个实施例中,支持向量机模型采用高斯核函数,高斯核函数的表达式为:
其中,(m,n)为特征点的坐标信息,exp为指数函数,δ为标准方差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种行人检测方法,其特征在于,包括:
获取摄像机在不同时刻采集的第一图像和第二图像;
对所述第一图像进行特征提取,得到第一特征图;对所述第二图像进行特征提取,得到第二特征图;
对所述第一特征图进行识别,得到第一行人检测信息;
根据所述第一特征图和所述第二特征图确定所述第一图像和所述第二图像之间的运动模型;
根据所述第一行人检测信息和所述运动模型得到所述第二图像对应的第二行人检测信息。
2.根据权利要求1所述的行人检测方法,其特征在于,根据所述第一特征图和所述第二特征图确定所述第一图像和所述第二图像之间的运动模型,包括:
通过特征点筛选函数分别获取所述第一特征图的第一关键点集合和所述第二特征图的第二关键点集合;
根据所述第一关键点集合和所述第二关键点集合确定所述第一图像和所述第二图像之间的运动模型。
3.根据权利要求1所述的行人检测方法,其特征在于,所述根据所述第一行人检测信息和所述运动模型得到所述第二图像对应的第二行人检测信息,包括:
根据所述运动模型对所述第一行人检测信息进行运动补偿,得到所述第二行人检测信息。
4.根据权利要求1所述的行人检测方法,其特征在于,所述对所述第一图像进行特征提取,得到第一特征图;对所述第二图像进行特征提取,得到第二特征图,包括:
将所述第一图像输入到训练好的特征提取模型中,得到所述特征提取模型输出的所述第一特征图;
将所述第二图像输入到所述特征提取模型中,得到所述特征提取模型输出的所述第二特征图。
5.根据权利要求4所述的行人检测方法,其特征在于,所述特征提取模型包括7层卷积层和7层最大池化层。
6.根据权利要求1所述的行人检测方法,其特征在于,所述对所述第一特征图进行识别,得到第一行人检测信息,包括:
将所述第一特征图输入到训练好的支持向量机模型中,得到所述支持向量机模型输出的所述第一行人检测信息。
8.一种行人检测装置,其特征在于,包括:
图像获取模块,用于获取摄像机在不同时刻采集的第一图像和第二图像;
特征提取模块,用于对所述第一图像进行特征提取,得到第一特征图;以及用于对所述第二图像进行特征提取,得到第二特征图;
特征识别模块,用于对所述第一特征图进行识别,得到第一行人检测信息;
运动模型模块,用于根据所述第一特征图和所述第二特征图确定所述第一图像和所述第二图像之间的运动模型;
检测信息模块,用于根据所述第一行人检测信息和所述运动模型得到所述第二图像对应的第二行人检测信息。
9.一种计算机设备,包括处理器和存储器,所述存储器中储存有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的行人检测方法的步骤。
10.一种存储介质,储存有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的行人检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599883.2A CN113343820A (zh) | 2021-05-31 | 2021-05-31 | 一种行人检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599883.2A CN113343820A (zh) | 2021-05-31 | 2021-05-31 | 一种行人检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343820A true CN113343820A (zh) | 2021-09-03 |
Family
ID=77472417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110599883.2A Pending CN113343820A (zh) | 2021-05-31 | 2021-05-31 | 一种行人检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343820A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104013414A (zh) * | 2014-04-30 | 2014-09-03 | 南京车锐信息科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
CN107103303A (zh) * | 2017-04-27 | 2017-08-29 | 昆明理工大学 | 一种基于gmm背景差分与联合特征的行人检测方法 |
-
2021
- 2021-05-31 CN CN202110599883.2A patent/CN113343820A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104013414A (zh) * | 2014-04-30 | 2014-09-03 | 南京车锐信息科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
CN107103303A (zh) * | 2017-04-27 | 2017-08-29 | 昆明理工大学 | 一种基于gmm背景差分与联合特征的行人检测方法 |
Non-Patent Citations (2)
Title |
---|
钟珞等: "《模式识别》", 武汉大学出版社, pages: 7 * |
魏西: "摄像机运动情况下的运动目标检测技术研究", 《科技信息》, no. 03, 25 January 2011 (2011-01-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710866B (zh) | 汉字模型训练方法、汉字识别方法、装置、设备及介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
JP6397986B2 (ja) | 画像オブジェクト領域の認識方法及び装置 | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN110059700B (zh) | 图像摩尔纹识别方法、装置、计算机设备及存储介质 | |
WO2019232843A1 (zh) | 手写模型训练、手写图像识别方法、装置、设备及介质 | |
CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
WO2019232850A1 (zh) | 手写汉字图像识别方法、装置、计算机设备及存储介质 | |
WO2019232870A1 (zh) | 手写字训练样本获取方法、装置、计算机设备及存储介质 | |
CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN111523429A (zh) | 基于深度学习的堆钢识别方法 | |
CN111860582B (zh) | 图像分类模型构建方法、装置、计算机设备和存储介质 | |
US20230147685A1 (en) | Generalized anomaly detection | |
CN111275051A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN115731220A (zh) | 坯布缺陷定位与分类方法、***、设备及存储介质 | |
Amosov et al. | Human localization in the video stream using the algorithm based on growing neural gas and fuzzy inference | |
CN112766351A (zh) | 一种图像质量的评估方法、***、计算机设备和存储介质 | |
Liu et al. | A novel SVM network using HOG feature for prohibition traffic sign recognition | |
CN112699858A (zh) | 无人平台烟尘雾感知方法、***、计算机设备及存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113343820A (zh) | 一种行人检测方法、装置、计算机设备及存储介质 | |
Alfajr et al. | Classification of Distracted Driver Using Support Vector Machine Based on Principal Component Analysis Feature Reduction and Convolutional Neural Network | |
US20230069960A1 (en) | Generalized anomaly detection |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |