CN114821677B - 一种人体检测方法、装置、存储介质及客流统计相机 - Google Patents
一种人体检测方法、装置、存储介质及客流统计相机 Download PDFInfo
- Publication number
- CN114821677B CN114821677B CN202210747317.6A CN202210747317A CN114821677B CN 114821677 B CN114821677 B CN 114821677B CN 202210747317 A CN202210747317 A CN 202210747317A CN 114821677 B CN114821677 B CN 114821677B
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- body detection
- split
- frame image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人体检测方法、装置、存储介质及客流统计相机,用于提升针对深度图像的人体检测效果。本申请方法包括:获取预先输出的人体检测结果,人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;将当前帧图像的目标簇以及包围盒,与上一帧图像的目标簇以及包围盒进行数据关联;基于数据关联结果,确定人体检测结果中一对多的关联项,关联项包括待拆分目标以及与待拆分目标相关联的多个关联目标;创建与当前帧图像相映射的分类对象;基于分类对象在关联目标中确定基础区域集合以及待定区域集合;根据基础区域集合以及待定区域集合对待拆分目标执行粘连拆分操作;基于粘连拆分操作的结果,重新输出人体检测结果。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人体检测方法、装置、存储介质及客流统计相机。
背景技术
在消费电子、安防、交通等领域场景下,常常需要进行客流统计来更好的判断人群的动向。对于客流统计而言,人体检测是客流统计的必要且至关重要的环节,其检测准确率将直接影响到最终的统计精度。
现有技术中,基于RGB图像的人体检测技术已较为成熟,业内通常采用基于HOG+SVM的检测方案或基于深度学习的检测方案来通过RGB图像进行客流统计。现有技术中还存在一类使用基于TOF、结构光的深度相机获取深度图像,再利用深度图像进行人体检测以及客流统计的方法,但这类基于深度图像进行人体检测的方法仅仅是从基于RGB图像的人体检测方法直接迁移得到,由于深度图像与RGB图像采集原理不同,成像存在较大的差异,导致实际检测效果不佳,难以通过深度图像得到理想的人体检测结果。
发明内容
为了解决上述技术问题,本申请提供了一种人体检测方法、装置、存储介质及客流统计相机。
本申请第一方面提供了一种人体检测方法,所述方法包括:
获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
创建与当前帧图像相映射的分类对象;
基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合;
基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
基于粘连拆分操作的结果,重新输出人体检测结果。
可选的,所述创建当前帧图像相映射的分类对象包括:
创建与当前帧图像相同大小的掩膜图像。
可选的,所述基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合包括:
在所述掩膜图像中,将与所述待拆分目标相对应位置的像素值设为有效值;
遍历所述关联项中的关联目标,创建初始的基础区域集合以及待定区域集合;
遍历所述关联目标所对应的目标簇的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述目标簇中对应位置的像素纳入所述基础区域集合中,并将所述掩膜图像对应位置的像素值置为编号值,所述编号值为非所述有效值的数值;
再次遍历所述待拆分目标的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述待拆分目标中对应位置的像素纳入所述待定区域集合中,得到基础区域集合以及待定区域集合。
可选的,在所述在所述掩膜图像中,将与所述待拆分目标相对应位置的像素值设为有效值前,所述方法还包括:
将所述掩膜图像中所有像素的像素值设为初始化值,所述初始化值为非所述有效值以及所述编号值的数值。
可选的,所述基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作包括:
确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域;
所述基于粘连拆分操作的结果,重新输出人体检测结果包括:
基于拆分后的两个子区域,重新输出人体检测结果。
可选的,所述确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域包括:
对所述待定区域集合从边界向内部收缩;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
可选的,所述确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域包括:
对所述待定区域集合从内向外扩张;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
可选的,所述基于所述数据关联结果,确定所述人体检测结果中一对多的关联项包括:
确定验证当前帧图像的包围盒与上一帧图像的包围盒的数据关联结果;
若当前帧图像的包围盒与上一帧图像的包围盒存在一对多的情况,则验证当前帧图像的目标簇与上一帧图像的目标簇的数据关联结果;
若当前帧图像的目标簇与上一帧图像的目标簇存在一对多的情况,则确定所述人体检测结果中存在个体目标的粘连;
基于包围盒的关联结果以及目标簇的关联结果确定所述人体检测结果中一对多的关联项。
可选的,将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联包括:
通过如下式子进行数据关联:
本申请第二方面提供了一种客流统计相机,所述客流统计相机包括处理器和深度摄像头,所述处理器在运行过程中执行第一方面以及第一方面中任一项可选的所述方法。
本申请第三方面提供了一种人体检测装置,所述装置包括:
获取单元,用于获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
数据关联单元,用于将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
关联项确定单元,用于基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
创建单元,用于创建与当前帧图像相映射的分类对象;
区域集合确定单元,用于基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合;
粘连拆分单元,用于基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
重新输出单元,用于基于粘连拆分操作的结果,重新输出人体检测结果。
本申请第四方面提供了一人体检测装置,所述装置包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的所述方法。
本申请第五方面提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的所述方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供的人体检测方法中,可以对预先输出的人体检测结果进行修正,其中将当前帧的图像与上一帧的图像进行数据关联,如果存在一对多的情况,即说明人体检测结果中存在粘连的情况,那么进而基于数据关联结果,确定待拆分目标以及所关联的多个关联目标,在进行修正时,通过基础区域集合以及待定区域集合对待拆分目标进行粘连拆分,从而获得精确的单体目标数量,能够有效提高人体检测的准确度。
并且本申请提供的人体检测方法运算速度快,对算力要求低,在中低端嵌入式平台CPU上运行也可达到实时检测,便于部署且适用性广,具有大规模推广应用的前景。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例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申请的一些实施例,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为本申请中提供的人体检测方法的一个实施例流程示意图;
图2为本申请中人体检测结果中目标簇和包围盒的一个示意图;
图3为本申请中人体检测结果中目标簇和包围盒的另一个示意图;
图4为本申请中针对步骤S103的一个实施例子流程示意图;
图5为本申请中一个掩膜图像的示意图;
图6为本申请中一个关联项的示意图;
图7为本申请中针对步骤S105的一个实施例子流程示意图;
图8为本申请中一个基础区域的示意图;
图9为拆分后的两个目标的示意图;
图10为本申请中针对人体检测结果的获取方法的一个实施例流程示意图;
图11为本申请中针对步骤S203的一个实施例子流程示意图;
图12为本申请中采用头部的包围盒代替身体的包围盒的对比示意图;
图13为本申请中提供的人体检测装置的第一个实施例结构示意图;
图14为本申请中提供的人体检测装置的第一个实施例结构示意图。
具体实施方式
基于此,本申请提供了一种人体检测方法,用于提升针对深度图像的人体检测效果。
要说明的是,本申请提供的人体检测方法,可以应用于客流相机、深度相机以及其它终端,还可以应用于服务器上,其它终端可以是智能手机或电脑、平板电脑、智能电视、智能手表、便携计算机终端也可以是台式计算机等具备运算以及数据分析能力的智能终端。为方便阐述,本申请中以终端为执行主体进行举例说明。
本实施例提供的人体检测方法主要应用于客流相机中,基于深度图像实现人体检测和后续的客流统计。深度图像相较于RGB图像而言,深度图像效果不易受光照变化影响,在暗光甚至夜间都能正常采集图像;并且深度图像不具有颜色、纹理等信息,不会记录人的外貌信息,消除人们对隐私的担忧;深度图像包含距离信息,便于基于距离判断的功能应用。因此,越来越多的客流相机选用这类深度相机。
然而深度相机在进行人体检测时,如果遇到多个目标,有可能会造成目标之间的粘连的情况,例如实际中,两个人前后站位,就会造成两个人体区域相互粘连,其中粘连是指由于两个及两个以上的目标由于距离较近,所得的簇区域粘连在一起,导致计算得到的人体检测结果中两个及两个以上目标被视为一个目标的情况,这会导致客流相机产生误检。针对目标粘连的情况,本申请提出了一种人体检测方法,该方法能够很好的应对深度图像中目标粘连的情况,下面对该方法的具体实施例进行详细说明:
本实施例提供了一种人体检测方法,能够提升针对深度图像的人体检测效果。
请参阅图1,图1为本申请提供的人体检测方法一个实施例流程示意图,方法包括:
S101、获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
本实施例中,首先获取预先输出的人体检测结果,该人体检测结果为通过一定的方法进行初步检测所得到的,其中包括目标簇以及人体区域的包围盒,参阅图2以及图3,其中目标簇为所有人体区域的像素集合,包围盒为对检测为人体的区域的矩形的包围框。进行初步的检测可以通过下述实施方式进行:
对输入的深度图像进行预处理,得到待检测图像,通过背景建模确定待检测图像中的画面运动区域,对画面运动区域进行聚类处理以确定人体区域集合,并根据人体区域集合计算人体检测结果,由于初步检测所得到的结果有可能不准确,例如有可能存在目标粘连的情况,例如实际中,两个人前后站位,就会造成两个人体区域相互粘连,其中粘连是指由于两个及两个以上的目标由于距离较近,所得的簇区域粘连在一起,导致计算得到的人体检测结果中两个及两个以上目标被视为一个目标的情况,这会导致客流相机产生误检,误检对于客流相机而言,最终会影响客流统计精度,因此需要对初步检测得到的人体检测结果进行修正,本实施例中针对目标粘连的情况进行修正处理。
S102、将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
为了确定人体检测结果中个体目标的粘连情况,将当前帧图像的人体检测结果(包括目标包围盒和目标簇)与上一帧图像的人体检测结果进行数据关联,若当前场景未发生目标粘连,则相应的数据关联结果应当均为“一对一”的关系;而当目标开始粘连时,则数据关联会出现“一对多”的情况。因此,通过确认数据关联是否存在“一对多”的情况,即可判定是否发生目标由分开到粘连的情形。如果存在一对多的情况,则说明存在个体目标的粘连。
S103、基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
参阅图6为一个“一对多”的关联项示意图,图中虚线表示上一帧图像检测结果,实线表示当前帧图像计算结果,具体的,、分别表示关联的上一帧目标A、B,表示当前帧检出的粘连目标,即待拆分目标。与、这2个目标关联,属于“一对多”的情形。
在另一种实施例中,为了进一步提高粘连情况的判别准确度,确定人体检测结果存在粘连的方式可以是:
S1031、当所述数据关联结果中存在一对多的情况时,验证当前帧图像的包围盒与上一帧图像的包围盒的数据关联结果,若当前帧图像的包围盒与上一帧图像的包围盒存在一对多的情况,则执行步骤S1032,若不存在一对多,则判定为不存在粘连。
S1032、验证当前帧图像的目标簇与上一帧图像的目标簇的数据关联结果,若当前帧图像的目标簇与上一帧图像的目标簇存在一对多的情况,则执行步骤S1033,若不存在一对多的情况,则判定为不存在粘连。
S1033、确定所述人体检测结果中个体目标的粘连情况为动态粘连。
S1034、确定不存在粘连。
该实施例中,提供了一种针对粘连的判别方案,该方案采用“两步验证”的策略,也就是说,当目标簇和包围盒同时存在一对多时,才被认定为一对多的关联项,该方式能够有效提高判别精度,
其中步骤S1031中,将当前帧图像检出的包围盒与上一帧包围盒进行数据关联,若存在“一对多”的情形,则进行下一步验证;否则,直接判定为无动态粘连。
步骤S1032中,对步骤S1031中数据关联为“一对多”的目标,再用目标簇替代包围盒进行二次关联或确认,若依然存在“一对多”的情形,则判别为存在动态粘连,并将数据关联结果一同输出到拆分环节;否则,判定为无动态粘连。
可选的,在进行数据关联时,数据关联过程中采用IoM(Intersection overMinimum)匹配算法进行关联匹配,例如:
对于目标A、B,其IoM计算公式为:
其中,表示目标A、B的重叠面积,、分别表示目标A、B的面积。具体的,若以包围盒进行数据关联,则所述重叠面积和目标面积均根据包围盒来计算;若以目标簇进行数据关联,则相应的重叠面积和目标面积均根据目标簇来计算。
上述步骤S102提到,若当前场景未发生目标粘连,则相应的数据关联结果应当均为“一对一”的关系;而当目标开始粘连时,则数据关联会出现“一对多”的情况,因此,通过数据关联结果能够确定出个体目标的粘连情况,例如当出现一对多的情况时,确定则确定所述人体检测结果中个体目标的粘连情况为动态粘连,所述动态粘连表示目标是一开始的分开的,后来才粘连到一起。
S104、创建与当前帧图像相映射的分类对象;
该实施例中,首先创建一个与当前帧图像相映射的分类对象,用于记录当前帧图像中各个像素的像素值,分类对象可以是与当前帧图像相同大小的掩膜图像,也可以是通过记录表的形式进行记录。
例如:为保证高效,预先创建一个和检测图像同等大小的8bit的掩膜图像,掩膜图像可以作为一个一维的查找表,即掩膜图像中像素数值大小范围为[0, 255]。对于掩膜图像,规定一个有效值和无效值,有效值和无效值的取值不限定,本实施例中,规定无效区域像素值(INVALID_VALUE)为255,有效区域像素值(VALID_VALUE)为128,128以下的数值(0~127)用于作为编号数值。实际中,VALID_VALUE取128即假定当前检测结果最大的数目不超过128,这在实际情形中是合理的,当然,选取128~244之间的其他数值亦可,或者取VALID_VALUE为128、INVALID_VALUE为255亦可,对此不做限定。
S105、基于所述分类对象在所述关联目标中确定基础区域集合以及待定区域集合;
基于上述步骤S104中所创建的分类对象,在与待拆分目标所关联的关联目标中确定所有的基础区域以及待定区域,得到基础区域集合以及待定区域集合;例如下述过程:
基于掩膜图像在关联目标中确定基础区域集合以及待定区域集合,基础区域集合为已经划分好的区域,待定区域为尚未进行划分的区域,后续步骤即需要将待定区域准确的划入对应的基础区域中从而完成区域的划分,进而进行分割。
参阅图7,具体的方式可以是:
S1051、将所述掩膜图像中所有像素的像素值设为初始化值;
将所述掩膜图像的所有像素值初始化,初始化值可以设为上述中的无效值,即255.
S1052遍历所述待拆分目标中的像素,并在所述掩膜图像中,将位置与所述待拆分目标对应的像素的像素值设为有效值;
然后,遍历待拆分目标簇中像素,将掩膜图像中对应位置数值置为有效值VALID_VALUE(128)。
S1053遍历所述关联项中的关联目标,创建初始的基础区域集合以及待定区域集合;
S1054、遍历所述关联目标所对应的目标簇的像素;
S1055、若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述目标簇中对应位置的像素纳入所述基础区域集合中,并将所述掩膜图像对应位置的像素值置为编号值,所述编号值为非所述有效值以及所述初始化值的任意数值;
遍历待拆分对象的关联列表中的对象,对i个关联目标,创建一个与之对应的基础区域集合,遍历该关联目标簇中像素,若掩膜图像中对应位置的像素值为VALID_VALUE(128),则将该像素位置i加入至相应的基础区域集合中,并且将对应位置的掩膜图像的数值置为i。
参阅图8,的关联列表为{的编号,的编号} ,先为创建一个基础区域集合A(i=0),遍历中的所有像素,若掩膜图像中对应位置的像素值为VALID_VALUE(128)(显然,与的重叠区域/交集就是A),则将该像素位置加入A中,并将对应位置的掩膜图像的数值置为0。同理,得到B区域,B对应的掩膜图像的值为1(i=1)。基础区域A、B即为的初步拆分结果。
S1056再次遍历所述待拆分目标的像素;
S1057若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述待拆分目标中对应位置的像素纳入所述待定区域集合中,得到基础区域集合以及待定区域集合。
再次遍历待拆分目标中的像素,对任意像素,若对应位置的掩膜图像数值仍为VALID_VALUE(128),则将该位置加入到待定区域集合中。参阅图8,基础区域A、B之间掩膜图像数值为128的剩余区域即为待定区域。
通过上述方法,得到基础区域集合以及待定区域集合,那么后续只需要将待定区域集合纳入对应的基础区域集合中即可进行区域的划分。
S106、基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
该实施例中,确定待定区域集合中的各个待定区域的区域归属,即归属于哪一个基础区域,从而实现区域的精确划分。
下面提供一种进行粘连拆分的实施例:确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域;
确定待定区域集合中各个像素的区域归属的具体方式可以是对所述待定区域集合从边界向内部收缩;若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
还可以是,对所述待定区域集合从内向外扩张;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
下面进行举例说明:
对待定区域从边界由外向内收缩,将边界处的待定像素(值为128)划归到与之相邻的初步拆分区域中。参阅图8,若边界处的待定像素的邻域像素值包括0,则将其划归到第0个基础区域(即A)中,反之,若其邻域像素值包含1,则将其划归到第1个基础区域(即B)中。
S107、基于粘连拆分操作的结果,重新输出人体检测结果。
在执行相应的粘连拆分操作后,例如步骤S105中的待拆分目标将被拆分为两个子区域,并且重新获得包围盒和目标簇,那么更新包围盒和目标簇的信息,即可得到修正后的人体检测结果,重新输出该人体检测结果。
该实施例中提供了一种人体检测方法,该方法检测可靠,结合修正机制以应对深度图像中目标粘连的情况,大大提升了针对深度图像的人体检测效果,从而保证客流统计的精度。
并且本申请提供的人体检测方法运算速度快,对算力要求低,在中低端嵌入式平台CPU上运行也可达到实时检测,便于部署且适用性广,具有大规模推广应用的前景。
本申请中的前述实施例均是用于对预先输出的人体检测结果进行修正,而预先输出的人体检测结果为通过一定的方法进行初步检测所得到的,预先输出的人体检测结果中包括目标簇以及人体区域的包围盒,其中目标簇为所有人体区域的像素集合,包围盒为检测对检测为人体的区域的矩形的包围框。
下面针对本申请中所提及的步骤“获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒”,提供具体的实施例方式,下面进行详细阐述,参阅图10,该实施例包括:
S201、对输入的深度图像进行预处理,得到待检测图像;
本实施例提供的人体检测方法主要应用于客流相机中,基于深度图像实现人体检测和后续的客流统计。深度图像相较于RGB图像而言,深度图像效果不易受光照变化影响,在暗光甚至夜间都能正常采集图像;并且深度图像不具有颜色、纹理等信息,不会记录人的外貌信息,消除人们对隐私的担忧;深度图像包含距离信息,便于基于距离判断的功能应用。因此,越来越多的客流相机选用这类深度相机。
但是实际应用中,客流相机需要保证覆盖到较大的检测范围,因此往往会搭载大视场角的深度镜头,大视场角虽然视野更广,但在人体靠近画面边缘时产生的畸变和倾斜也会更严重;另一方面,深度图像中人体部位,比如人头、身体边缘、腿部及其他低反位置容易出现空洞或缺失,严重的情况下头部或腿部形状完全缺失。也就是说,深度图像中的人体往往不具备稳健的特征,这使得常规的针对单帧图像的机器学习或深度学习的方案难以得到理想的检测结果。本实施例则提供了一种人体检测方法,能够提升针对深度图像的人体检测效果。
在本实施例中,终端首先对输入的深度图像进行预处理,该预处理包括但不限于对深度图像进行下采样和格式转换,以便能够减少计算量,提高检测速度。
终端对输入的深度图像进行预处理,该预处理具体包括下采样和/或格式转换,还包括对处理后的图像进行阈值选通,然后得到待检测图像。
具体的,下采样和/或格式转换包括:若深度图像分辨率较大,则对原始深度图像进行下采样(即缩小);若深度图像位深度大于8bit,则将其转换为8bit图像,以便减少计算量,提高检测速度。下采样和格式转换顺序可以互换,优选的,终端先对原始深度图像进行下采样,再将下采样的深度图像转换为8bit图像。
进一步的,终端还需要对经过上述处理后的深度图像进行深度选通,即预先设定好深度范围[Imin,Imax],将不符合该深度范围的像素值置为0。需要说明的是,Imin、Imax可根据应用需求和实际场景而作具体设定。通过深度选通可以初步筛选出一些暗部(近距离)噪声和亮部(远距离)噪声,有利于改善检测效果。
S202、通过背景建模确定待检测图像中的画面运动区域;
终端通过背景建模确定待检测图像中的画面运动区域。背景建模对于相机固定且画面背景变化缓慢的场景,可直接用于运动目标检测或作为前处理环节减少搜索范围进而减少计算量。背景建模的主要优势在于计算量相对较小、速度快。并且在客流统计场景下所获取的深度图像中,人体形状往往是不完整且不固定的,比如人体头部或腿部缺失,大视场角的摄像头获取靠近画面边缘人体的图像会畸变、倾斜严重,常规视角的摄像头基于单帧的检测手段则无法实现有效的人体检测。在本实施例中,通过背景建模来确定待检测图像中画面运动区域,能够充分考虑多帧信息,将运动目标(行人)与画面背景区分开来,降低背景对检测结果的干扰。
在一些具体的实施例中,背景建模可采用码本算法CodeBook或LOBSTER算法实现。
S203、对画面运动区域进行聚类处理以确定人体区域集合,并根据人体区域集合计算人体检测结果;
终端对步骤S202中得到的画面运动区域进行聚类,具体是对画面运动区域中的有效像素进行聚类,得到簇的集合,即本申请中的人体区域集合。具体的,聚类处理是指对于任意已在簇中的一个像素A,遍历其邻域像素,对任一有效的邻域像素Ni,若Ni与A的像素值之差的绝对值小于预设的簇内相似度阈值S,则将Ni加入到A所在的簇中,否则新建一个簇并将Ni加入其中并继续聚类。
上述得到的人体区域集合通常已包含主要的人体区域,但并不能直接将各个目标簇直接当作人体区域。这是由于:
1)所得簇可能包括噪声区域、运动物体和误检的背景等非人体区域;
2)当人体相互接触或遮挡时,所得的簇区域粘连在一起,而非一个个独立的人体区域,即本申请中所指的“粘连”;
为了解决上述问题,在得到人体区域集合后,还需进一步根据人体区域集合计算对应的人体检测结果,即终端遍历簇集合,求得所有簇的包围盒,将其作为该簇的检测框,得到人体检测结果。
具体的,终端遍历簇的所有像素,求得簇中像素x、y坐标最小值、最大值:xmin、ymin、xmax、ymax,即可确定相应的包围盒矩形,该矩形即为目标检测框。需要说明的是,该人体检测结果至少包括人体区域集合和人体包围盒集合。
下面提供一个确定人体区域集合的实施例,参阅图11,该实施例包括:
S2031、通过图像掩膜将画面运动区域以内的像素标记为有效像素,并将画面运动区域以外的像素标记为无效像素;
终端在得到画面运动区域后,则通过制作一个和待检测图像同等分辨率的图像掩膜用以标记像素是否有效。具体地,将步骤S2032中所得画面运动区域对应像素标记为有效,其余区域像素标记为无效。
进一步,终端还可以将图像掩膜的上、下、左、右边界像素都标记为无效,以便在后续执行聚类时避免对每个像素进行边界校验,提高效率。
S2032、根据图像掩膜和待检测图像对有效像素进行聚类处理得到人体区域集合;
终端根据图像掩膜和待检测图像,对步骤S2031中所有标记有效的像素进行聚类得到簇的集合,即本申请中的人体区域集合。具体的,聚类处理是指对于任意已在簇中的一个像素A,遍历其邻域像素,对任一有效的邻域像素Ni,若Ni与A的像素值之差的绝对值小于预设的簇内相似度阈值S,则将Ni加入到A所在的簇中,否则新建一个簇并将Ni加入其中并继续聚类。
进一步,由于聚类会涉及到图像的搜索,在一些具体的实施例中,可以采用深度优先搜索(Depth-First-Search, DFS),也可以采用广度优先搜索(Breadth-First-Search,BFS)。优选采用广度优先搜索,避免递归且内存消耗小,以便提升计算速度。
S2033、确定人体区域集合的包围盒;
终端遍历步骤S2032中得到的人体区域集合,即簇集合,对每个簇求其AABB包围盒,以之作为该簇的检测框。求AABB包围盒的过程为:遍历目标簇的所有像素,求得簇中像素x、y坐标最小值、最大值:xmin、ymin、xmax、ymax,即可确定相应的包围盒矩形,该矩形即为目标检测框。
在一些具体的实施例中,终端还可以进一步的在求簇中像素x、y坐标最小值、最大值过程中,同时求得各簇最高点(其高度为ymax)对应的像素位置,进而得到各簇顶点坐标集合。从而能够以该最高点作为顶点,后续可以其为头顶基准生成小的人头框以替代人体包围盒,这样在多人且粘连的场景中,能够避免输出密集且重叠的检测框,从而改善应用端上的显示效果。
请参阅图12,图12中的上图为改善前的显示,图12中的下图为使用人头框替代人体包围盒进行改善后的显示效果,大大提升了用户体验。
S2034、通过预设约束对包围盒进行筛选,并将筛选出的包围盒确定为第一人体检测结果;
终端在计算得到人体区域集合的包围盒后,则通过预设约束对得到的包围盒进行筛选。
具体的,该预设约束包括但不限于:人体区域面积约束、包围盒宽高比约束、边界限位约束以及身高约束,下面将分别进行说明。
1)人体区域面积约束;
具体为,设定目标面积阈值范围[Amin,Amax],丢弃面积不在该设定范围内的目标。目标面积即簇中像素个数。进一步的,Amin取值应考虑单人区域面积最小极限,而Amax取值应考虑粘连场景多人区域面积最大极限,这是考虑到多人粘连的情形,首先将该区域保留下来,留待后续粘连拆分环节予以修正。可选的,Amin取值也可比单人区域面积最小极限更小,其意图是考虑到单个人体区域撕裂的情形,首先保留这些结果,留待后续撕裂合并环节予以修正。
2)包围盒宽高比约束;
具体为,设定目标检测框宽高比范围[Rmin, Rmax],丢弃检测框宽高比不在该设定范围内的目标。宽高比即包围盒的高度与宽度的比值。进一步,Rmin取值应考虑单人包围盒宽高比最小极限,而Rmax取值应考虑粘连场景多人包围盒宽高比最大极限,与前述[Amin,Amax]同理。
3)边界限位约束;
具体为,根据应用需求和实际场景特性,设置上下左右边界线,丢弃中心点超出边界线的目标。具体的,该中心点为包围盒中心点或人体区域形心,优选该中心点为人体区域形心。其目的在于当人体处于图像边界形状缺失较多时,直接忽略不计。
4)身高约束;
具体为设定高度阈值HT,丢弃高度低于高度阈值的目标。其目的在于筛除一些被误检的低矮物体,比如因挪动而被背景建模模块当作运动区域的椅子。具体高度判别方案有两种,优选采用方案二:
方案一,通过相机内外参和目标的像素坐标,估算深度图像中的目标的实际身高,再将该估计值与高度阈值进行比较;
方案二,采用高度标定的方式,对高度阈值HT所在的高度平面进行深度图采集得到基准深度图,或者,记录相机高度Hc,将相机布置在Hc-HT的高度,然后采集地面深度图作为基准深度图,实际使用过程中通过将目标深度与基准深度图进行比较以确定目标与基准深度图的高度高低关系,从而判别目标是否低于HT。
需要说明的是,在上述筛选过程中,簇和包围盒总是对应的,当某个簇被筛选掉时,相应的包围盒也要被同步删除,反之亦然。
并且在实际应用中,步骤S2034将可能被执行多次,其中身高约束不必每次都执行,对于总的检测过程中执行一次即可。具体为:执行相应拆分或合并处理之后,均需要重新求所有簇的包围盒并通过人体面积约束、包围盒宽高比和边界限位约束对结果进行筛选,而通过身高约束筛选检测结果则作为一个单独的步骤放在上述步骤之后且仅执行一遍。
本申请还提供了一种客流相机,该客流统计相机包括处理器和深度摄像头,该处理器在运行过程中执行如上任一人体检测方法。
参阅图13,本申请还提供了一种人体检测装置,该装置包括:
获取单元S301,用于获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
数据关联单元S302,用于将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
关联项确定单元S303,用于基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
创建单元S304,用于创建与当前帧图像相映射的分类对象;
区域集合确定单元S305,用于基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合;
粘连拆分单元S306,用于基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
重新输出单元S307,用于基于粘连拆分操作的结果,重新输出人体检测结果。
可选的,创建单元S304具体用于:
创建与当前帧图像相同大小的掩膜图像。
可选的,区域集合确定单元S305具体用于:
将所述掩膜图像中所有像素的像素值设为初始化值;
遍历所述待拆分目标中的像素,并在所述掩膜图像中,将位置与所述待拆分目标对应的像素的像素值设为有效值;
遍历所述关联项中的关联目标,创建初始的基础区域集合以及待定区域集合;
遍历所述关联目标所对应的目标簇的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述目标簇中对应位置的像素纳入所述基础区域集合中,并将所述掩膜图像对应位置的像素值置为编号值,所述编号值为非所述有效值以及所述初始化值的任意数值;
再次遍历所述待拆分目标的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述待拆分目标中对应位置的像素纳入所述待定区域集合中,得到基础区域集合以及待定区域集合。
可选的,粘连拆分单元S306具体用于:
确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域;
可选的,粘连拆分单元S306具体用于:
对所述待定区域集合从边界向内部收缩;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
可选的,粘连拆分单元S306具体用于:
对所述待定区域集合从内向外扩张;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
可选的,关联项确定单元S303具体用于:
确定验证当前帧图像的包围盒与上一帧图像的包围盒的数据关联结果;
若当前帧图像的包围盒与上一帧图像的包围盒存在一对多的情况,则验证当前帧图像的目标簇与上一帧图像的目标簇的数据关联结果;
若当前帧图像的目标簇与上一帧图像的目标簇存在一对多的情况,则确定所述人体检测结果中存在个体目标的粘连;
基于包围盒的关联结果以及目标簇的关联结果确定所述人体检测结果中一对多的关联项。
可选的,数据关联单元S302具体用于:
通过如下式子进行数据关联:
参阅图14,本申请还提供了一种人体检测到装置,包括:
处理器S401、存储器S402、输入输出单元S403、总线S404;
处理器S401与存储器S402、输入输出单元S403以及总线S404相连;
存储器S402保存有程序,处理器S401调用程序以执行如上任一人体检测方法。
本申请还涉及一种计算机可读存储介质,计算机可读存储介质上保存有程序,其特征在于,当程序在计算机上运行时,使得计算机执行如上任一方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
Claims (13)
1.一种人体检测方法,其特征在于,所述方法包括:
获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
创建与当前帧图像相映射的分类对象;
基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合,所述基础区域集合为已经划分好的区域的集合,待定区域为尚未进行划分的区域的集合;
基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
基于粘连拆分操作的结果,重新输出人体检测结果。
2.根据权利要求1中所述的人体检测方法,其特征在于,所述创建当前帧图像相映射的分类对象包括:
创建与当前帧图像相同大小的掩膜图像。
3.根据权利要求2中所述的人体检测方法,其特征在于,所述基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合包括:
在所述掩膜图像中,将与所述待拆分目标相对应位置的像素值设为有效值;
遍历所述关联项中的关联目标,创建初始的基础区域集合以及待定区域集合;
遍历所述关联目标所对应的目标簇的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述目标簇中对应位置的像素纳入所述基础区域集合中,并将所述掩膜图像对应位置的像素值置为编号值,所述编号值为非所述有效值的数值;
再次遍历所述待拆分目标的像素;
若在所述掩膜图像中,对应位置的像素值为所述有效值,则将所述待拆分目标中对应位置的像素纳入所述待定区域集合中,得到基础区域集合以及待定区域集合。
4.根据权利要求3中所述的人体检测方法,其特征在于,在所述掩膜图像中,将与所述待拆分目标相对应位置的像素值设为有效值前,所述方法还包括:
将所述掩膜图像中所有像素的像素值设为初始化值,所述初始化值为非所述有效值以及所述编号值的数值。
5.根据权利要求1中所述的人体检测方法,其特征在于,所述基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作包括:
确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域;
所述基于粘连拆分操作的结果,重新输出人体检测结果包括:
基于拆分后的两个子区域,重新输出人体检测结果。
6.根据权利要求5中所述的人体检测方法,其特征在于,所述确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域包括:
对所述待定区域集合从边界向内部收缩;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
7.根据权利要求5中所述的人体检测方法,其特征在于,所述确定所述待定区域集合中各像素的区域归属,从而得到拆分后的两个子区域包括:
对所述待定区域集合从内向外扩张;
若目标像素的领域像素中包含有像素值为编号值的像素,则将所述目标像素纳入所述编号值对应的基础区域集合中,从而得到拆分后的两个子区域。
8.根据权利要求1中所述的人体检测方法,其特征在于,所述基于所述数据关联结果,确定所述人体检测结果中一对多的关联项包括:
确定验证当前帧图像的包围盒与上一帧图像的包围盒的数据关联结果;
若当前帧图像的包围盒与上一帧图像的包围盒存在一对多的情况,则验证当前帧图像的目标簇与上一帧图像的目标簇的数据关联结果;
若当前帧图像的目标簇与上一帧图像的目标簇存在一对多的情况,则确定所述人体检测结果中存在个体目标的粘连;
基于包围盒的关联结果以及目标簇的关联结果确定所述人体检测结果中一对多的关联项。
10.一种客流统计相机,其特征在于,所述客流统计相机包括处理器和深度摄像头,所述处理器在运行过程中执行如权利要求1至9中任一项所述的人体检测方法。
11.一种人体检测装置,其特征在于,所述装置包括:
获取单元,用于获取预先输出的人体检测结果,所述人体检测结果中包含有人体区域的目标簇以及人体区域的包围盒;
数据关联单元,用于将当前帧图像的所述目标簇以及所述包围盒,与上一帧图像的所述目标簇以及所述包围盒进行数据关联,得到数据关联结果;
关联项确定单元,用于基于所述数据关联结果,确定所述人体检测结果中一对多的关联项,所述关联项包括待拆分目标以及与所述待拆分目标相关联的多个关联目标;
创建单元,用于创建与当前帧图像相映射的分类对象;
区域集合确定单元,用于基于所述分类对象,在所述关联目标中确定基础区域集合以及待定区域集合,所述基础区域集合为已经划分好的区域的集合,待定区域为尚未进行划分的区域的集合;
粘连拆分单元,用于基于所述基础区域集合以及所述待定区域集合对所述待拆分目标执行粘连拆分操作;
重新输出单元,用于基于粘连拆分操作的结果,重新输出人体检测结果。
12.一种人体检测装置,其特征在于,所述装置包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行如权利要求1至9任一项所述的人体检测方法。
13.一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行如权利要求1至9中任一项所述的人体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210747317.6A CN114821677B (zh) | 2022-06-29 | 2022-06-29 | 一种人体检测方法、装置、存储介质及客流统计相机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210747317.6A CN114821677B (zh) | 2022-06-29 | 2022-06-29 | 一种人体检测方法、装置、存储介质及客流统计相机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821677A CN114821677A (zh) | 2022-07-29 |
CN114821677B true CN114821677B (zh) | 2022-10-04 |
Family
ID=82523403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210747317.6A Active CN114821677B (zh) | 2022-06-29 | 2022-06-29 | 一种人体检测方法、装置、存储介质及客流统计相机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821677B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751678A (zh) * | 2018-12-12 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 运动目标的检测方法、装置和电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2757528B1 (en) * | 2013-01-22 | 2015-06-24 | Pie Medical Imaging BV | Method and apparatus for tracking objects in a target area of a moving organ |
CN104573612B (zh) * | 2013-10-16 | 2019-10-22 | 北京三星通信技术研究有限公司 | 估计深度图像中重叠的多个人体对象的姿态的设备和方法 |
CN105488811B (zh) * | 2015-11-23 | 2018-06-12 | 华中科技大学 | 一种基于深度梯度的目标跟踪方法与*** |
JP2017117341A (ja) * | 2015-12-25 | 2017-06-29 | 富士通株式会社 | 物体検出方法、装置、及びプログラム |
CN110807361B (zh) * | 2019-09-19 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN111723721A (zh) * | 2020-06-15 | 2020-09-29 | 中国传媒大学 | 基于rgb-d的三维目标检测方法、***及装置 |
CN112733652B (zh) * | 2020-12-31 | 2024-04-19 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
CN114332683A (zh) * | 2021-12-11 | 2022-04-12 | 南京行者易智能交通科技有限公司 | 一种基于深度学习自动选择区域的行人检测方法及装置 |
-
2022
- 2022-06-29 CN CN202210747317.6A patent/CN114821677B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751678A (zh) * | 2018-12-12 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 运动目标的检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114821677A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726717B (zh) | 一种车辆综合信息检测*** | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
WO2022062238A1 (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
WO2020151148A1 (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN110490150A (zh) | 一种基于车辆检索的违章图片自动审核***及方法 | |
CN114332921A (zh) | 基于改进聚类算法的Faster R-CNN网络的行人检测方法 | |
Meng et al. | Text detection in natural scenes with salient region | |
US20230394829A1 (en) | Methods, systems, and computer-readable storage mediums for detecting a state of a signal light | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
CN111695373A (zh) | 斑马线的定位方法、***、介质及设备 | |
CN115661522A (zh) | 一种基于视觉语义矢量的车辆导引方法、***、设备和介质 | |
CN109146768A (zh) | 图像变换方法、***及应用 | |
CN111914606A (zh) | 一种基于对透射率时空特征进行深度学习的烟雾检测方法 | |
CN114821676B (zh) | 客流人体检测方法、装置、存储介质及客流统计相机 | |
CN117523612A (zh) | 一种基于Yolov5网络的密集行人检测方法 | |
CN114821677B (zh) | 一种人体检测方法、装置、存储介质及客流统计相机 | |
CN112528994A (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别*** | |
CN112258561B (zh) | 针对图像拼接的匹配点获取方法 | |
CN115147868B (zh) | 客流相机的人体检测方法、客流相机、装置及存储介质 | |
CN115273138B (zh) | 一种人体检测***以及客流相机 | |
CN109961420A (zh) | 基于多子图融合与显著性分析的车辆检测方法 | |
CN114565597A (zh) | 一种基于YOLOv3-tiny-DB和迁移学习的夜间道路行人检测方法 |
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 |