CN110414461A - 一种人体目标检测方法、装置和计算机可读存储介质 - Google Patents
一种人体目标检测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110414461A CN110414461A CN201910711993.6A CN201910711993A CN110414461A CN 110414461 A CN110414461 A CN 110414461A CN 201910711993 A CN201910711993 A CN 201910711993A CN 110414461 A CN110414461 A CN 110414461A
- Authority
- CN
- China
- Prior art keywords
- human body
- classifier
- image
- obtains
- human
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人体目标检测方法，包括：获取待检测人体图像；利用分类器对待检测人体图像进行检测，获取人体目标区域的位置；其中，分类器的获取的过程包括：S121：利用深度神经网络算法对人体样本图像集进行图像训练得到分类器；S122：利用分类器进行人体目标检测；S123：判断检测的人体图像总量是否大于预设阈值；S124：若大于预设阈值，则将根据检测的人体图像集在分类器的基础上利用深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，直至迭代次数达到第一阈值或检测正确率达到第二阈值。本申请提高了检测的准确率。还提供了人体目标检测装置、电子设备和计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及人体目标检测技术领域，特别涉及一种人体目标检测方法、人体目标检测装置、电子设备和计算机可读存储介质。
背景技术
随着视频采集硬件的大规模应用以及相关检测算法的深入研究，将基于图像分析的人体目标检测与视频相结合，可以用于实现智能安防监控、汽车防碰撞行人等安全辅助功能，有效提高视频应用的智能化水平，尤其在人流量控制、周界防护、交通安全等方面可以提高工作效率，减轻人工工作量的同时，提升准确发现目标的几率。目前基于视频图像分析的人体目标检测存在的主要问题是：一方面目标较小或者目标被遮挡时，容易被漏检测；另一方面非人体目标，如树木、动物等，容易被误检测为人体目标。相关技术中采用训练分类器，并利用分类器进行人体目标检测，但是上述方法的采用固定分类器对人体目标进行检测，人体检测精度低，造成检测准确率较低。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种人体目标检测方法、装置、电子设备和计算机可读存储介质，能够提高人体目标检测的准确率，改善用户体验。其具体方案如下：
本申请提供一种人体目标检测方法，包括：
获取待检测人体图像；
利用分类器对所述待检测人体图像进行检测，获取人体目标区域的位置；
其中，所述分类器的获取的过程包括：
S121：利用深度神经网络算法对人体样本图像集进行图像训练得到所述分类器；
S122、利用所述分类器进行人体目标检测；
S123：判断检测的人体图像总量是否大于预设阈值；
S124：若大于所述预设阈值，则将根据检测的人体图像集在所述分类器的基础上利用所述深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
优选地，所述S121包括：
获取各个样本图像及对应的标注文件，以便得到所述人体样本图像集；
利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器。
优选地，利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器，包括：
获取预设比例的训练集和测试集；其中，所述训练集和所述测试集构成所述人体样本图像集；
利用所述深度神经网络算法对所述训练集进行训练获得初始分类器；
利用所述测试集对所述初始分类器进行测试，获得测试成功率；
判断所述测试成功率是否大于成功率阈值；
若所述测试成功率大于所述成功率阈值，得到所述分类器。
优选地，利用所述分类器对所述待检测人体图像进行检测，获取人体目标的位置之后，还包括：
当所述位置正确时，保存所述待检测人体图像的信息；
当所述位置错误时，获取所述待检测人体图像的标注文件，并保存所述标注文件及所述待检测人体图像。
本申请提供一种人体目标检测装置，包括：
获取模块，用于获取待检测人体图像；
人体目标检测模块，用于利用分类器对所述待检测人体图像进行检测，获取人体目标的位置；
其中，分类器包括：
分类器获得单元，用于利用深度神经网络算法对人体样本图像集进行图像训练得到所述分类器，并利用所述分类器进行所述人体目标检测；
检测单元，用于利用所述分类器进行人体目标检测；
判断单元，用于判断检测的人体图像总量是否大于预设阈值；
确定单元，用于若大于所述预设阈值，则将根据检测的人体图像集在所述分类器的基础上利用所述深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入所述检测单元，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
优选地，所述分类器获得单元包括：
人体样本图像集获取子单元，用于获取各个样本图像及对应的标注文件，以便得到人体样本图像集；
分类器获取子单元，用于利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器。
优选地，所述分类器获取子单元包括：
训练集和测试集获取子单元，用于获取预设比例的训练集和测试集；其中，所述训练集和所述测试集构成所述人体样本图像集；
初始分类器获取子单元，用于利用所述深度神经网络算法对所述训练集进行训练获得初始分类器；
测试子单元，用于利用所述测试集对所述初始分类器进行测试，获得测试成功率；
判断子单元，用于判断所述测试成功率是否大于成功率阈值；
分类器确定子单元，用于若所述测试成功率大于所述成功率阈值，得到所述分类器。
优选地，还包括：
保存模块，用于当所述位置正确时，保存所述待检测人体图像的信息；当所述位置错误时，获取所述待检测人体图像的标注文件，并保存所述标注文件及所述待检测人体图像。
本申请提供一种电子设备，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上述人体目标检测方法的步骤。
本申请提供一种计算机可读存储介质，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上述人体目标检测方法的步骤。
本申请提供一种人体目标检测方法，包括：获取待检测人体图像；利用分类器对待检测人体图像进行检测，获取人体目标区域的位置；其中，分类器的获取的过程包括：S121：利用深度神经网络算法对人体样本图像集进行图像训练得到分类器；S122、利用分类器进行人体目标检测；S123：判断检测的人体图像总量是否大于预设阈值；S124：若大于预设阈值，则将根据检测的人体图像集在分类器的基础上利用深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
可见，本申请通过采用当检测的人体图像总量达到一定数量后对当前的分类器进行迭代训练，获得新的分类器，从而使分类器越来越准确，提高人体目标检测准确度，避免了相关技术中采用固定分类器对待检测图像进行处理而造成的准确率低的问题，提高人体目标检测的准确率，改善用户体验。本申请同时还提供了一种人体目标检测装置、电子设备和计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种人体目标检测方法的流程图；
图2为本申请实施例所提供的一种分类器获取的流程图；
图3为本申请实施例提供的一种人体目标检测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在常见的人体目标检测技术中人体检测精度低，造成检测准确率较低。基于上述技术问题，本实施例提供一种人体目标检测方法，通过采用当检测的人体图像总量达到一定数量后对当前的分类器进行迭代训练，获得新的分类器，从而使分类器越来越准确，提高人体目标检测准确度，避免了相关技术中采用固定分类器对待检测图像进行处理而造成的准确率低的问题，提高人体目标检测的准确率，改善用户体验，具体请参考图1，图1为本申请实施例所提供的一种人体目标检测方法的流程图，具体包括：
S110、获取待检测人体图像。
获取待检测人体图像，本实施例不对待检测人体图像进行限定，只要能够得到图片即可。可以是通过摄像设备获取照片，也可以是从视频中截取对应的图片。本实施例不对获取待检测人体图像进行限定，可以是达到预设条件时自动获取待检测人体图像，预设条件可以包括预设时间、当前的图像发生变化等，也可以是用户自定义获取待检测人体图像。
S120、利用分类器对待检测人体图像进行检测，获取人体目标的位置。
本步骤的目的是获取当前人体的位置。利用分类器对待检测人体图像进行检测，获取当前人体的位置。由于不断的利用实际检测结果对上一个分类器进行迭代训练，因此使人体目标检测的正确率不断的提高，并且利用深度网络框架即深度神经网络算法确保了每次训练的质量。
进一步地，利用分类器对待检测人体图像进行检测，获取当前人体位置之后，还包括：当位置正确时，保存待检测人体图像的信息；当位置错误时，获取待检测人体图像的标注文件，并保存标注文件及待检测人体图像。
具体的，当位置正确时，保存待检测人体图像信息，其中，待检测人体图像信息包括当前的待检测人体图像和得到的人体位置。当位置错误时，获取待检测人体图像的标注文件，并保存标注文件和待检测人体图像，此时包括在检测的人体图像集中。
进一步地，请参考图2，图2为本申请实施例所提供的一种分类器获取的流程图，包括：
S121、利用深度神经网络算法对人体样本图像集进行图像训练得到分类器。
样本图像集的获得可以是照相获得，也可以是通过将视频转换成图片再进行训练，本实施例不再进行限定。可以理解的是，人体样本图像可以包括各种环境、各种天气、日夜、人体所在图像区域范围等的各种图像，以便能够增加分类器的精度。
进一步的，利用深度神经网络算法对人体样本图像集进行图像训练得到分类器，包括：获取各个样本图像及对应的标注文件，以便得到人体样本图像集；利用深度神经网络算法对人体样本图像集进行图像训练，获得分类器。
本实施例利用有监督方法进行图片训练具体可以是获取含有人体的图像集，并且其中的人体区域尺寸涵盖从较小尺寸到较大尺寸的整个范围，例如人体区域尺寸占整个图像的1/10至9/10，当然最小值可以小于1/10，最大值可以大于9/10，只要满足本实施例的目的即可。对于具体的人体区域的位置，本实施例不再进行限定，可以涵盖每个区域。标注文件是对样本图像进行人体区域标注是产生的标注文件。此时人体样本图像集包括各个样本图像，其中，样本图像的数据有对应的图像和标注的文件。
利用深度神经网络算法对人体样本图像集进行图像训练，得到分类器。
具体的，利用深度神经网络算法对人体样本图像集进行图像训练，获得分类器，包括：获取预设比例的训练集和测试集；其中，训练集和测试集构成人体样本图像集；利用深度神经网络算法对训练集进行训练获得初始分类器；利用测试集对初始分类器进行测试，获得测试成功率；判断测试成功率是否大于成功率阈值；若测试成功率大于成功率阈值，得到分类器。
具体的，将人体样本集随机的按照预设比例分为训练集和测试集，其中，预设比例可以根据实际需求进行设置，优选地，训练集：测试集＝6:1。此时设置深度神经网络的训练的配置文件，获取深度神经网络的预训练文件，使用训练集、测试集、标注文件、配置文件、预训练文件，设置测试成功率对应的成功率阈值，利用深度神经网络进行训练得到分类器。本实施例不对阈值进行限定用户可根据实际情况进行设置。当测试成功率大于成功率阈值时，得到分类器，此时的分类器与初始分类器相同；当测试成功率小于成功率阈值时，继续进行训练，直至得到的测试成功率大于成功率阈值。本实施例不对成功率阈值进行限定，用户可根据实际情况进行设置，只要满足本实施例的目的即可，例如成功率阈值是90％或80％或70％或其他自定义数值。
S122、利用分类器进行人体目标检测。
利用当前的分类器进行人体目标检测，具体的人体目标检测是获取待检测人体图像，利用分类器对待检测人体图像进行检测，获取人体目标的位置。
S123、判断检测的人体图像总量是否大于预设阈值。
本步骤的目的是为了对检测的人体图像的总量进行判断，判断检测的人体图像总量是否大于预设阈值。检测的人体图像总量指的是当前的分类器对图片进行检测的总数量。本实施例不对人体图像的获取进行限定，可以是摄像设备获取的图片，可以是从摄像设备中得到的视频图像帧对应的图像。本实施例不对预设阈值进行限定，用户可根据实际情况进行设置。优选地可以设置预设阈值为1000，当然也可以是其他的数值，只要满足本实施例的目的即可。
S124：若大于预设阈值，则将根据检测的人体图像集在分类器的基础上利用深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
当小于预设阈值时，则进行人体目标检测后进入S122；当大于预设阈值时，将根据检测的人体图像集在分类器的基础上利用深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，并判断迭代次数是否达到第一阈值或检测正确率达到第二阈值。本步骤的目的是在当前分类器的基础上进行深度神经网络算法训练，获取分类器以便作为新的分类器，进行人体目标检测，直到迭代次数达到阈值或检测准确率达到第二阈值，进一步提高分类器的精度，提高人体目标检测的准确度。当前分类器检测的人体图像总量大于预设阈值时，根据检测的人体图像集利用深度神经网络算法对分类器进行图像训练以便能够获得新的分类器。检测的人体图像集指的是利用当前分类器对图像进行人体检测，保存每次检测结果作为工作集即检测的人体图像集。本实施例不对第一阈值和第二阈值进行限定，用户可根据实际需求进行设置，只要满足本实施例的需求即可，例如第一阈值可以是2000或20000或其他数值，第二阈值可以是95％或98％或99％或99.99％或其他数值。
其中，检测的人体图像集是利用当前的分类器进行人体目标检测后的达到预设阈值之前的所有图像，即可以理解为检测的人体图像集为当前分类器所检测的所有图像，图像的数量是预设阈值，进一步的在当前的分类器的基础上得到新的分类器，再次用新的分类器进行人体目标检测，从检测第一个图像到检测第预设阈值个图像，然后以此预设阈值个图像作为新的检测的人体图像集来进行再一个分类器的训练，以此迭代处理。直至迭代次数达到阈值。本实施例不对阈值大小进行限定，用户可根据实际情况进行限定。
具体的，以检测的人体图像集Ti是视频图像帧为例具体的流程包括：(1)令当前训练得到的分类器为即当前分类器Pi，使用该分类器进行人体检测，保存处理过的每一张视频图像帧以及对该帧进行人体检测的结果；(2)当处理的视频图像帧数量即检测的人体图像的总量达到预设阈值Th时，将上述已处理图像工作集即检测的原始人体图像集Ti＇作为新的样本图像集；(3)检查检测的原始人体图像集Ti＇中的人体检测的结果，对有错误的图像重新标定人体目标区域，此时检测的原始人体图像集Ti＇已经进行更新得到检测的人体图像集Ti；(4)按照方法(1)中的训练流程，并将分类器Pi用作(5)需要的训练文件，将Ti作为样本集，进行训练；(5)令i＝i+1，获得分类器即Ti+1跳转到(1)，开始新的一轮处理流程。通过不断的利用实际检测结果对上一次的分类器进行迭代优化，使检测正确率不断得到提升。
值得注意的是，当检测的人体图像总量大于预设阈值时，系统发出提示，可以是通过屏幕进行提示显示，可以是通过指示灯进行提示，无论何种方式只要便于用户得到提示即可，以便用户能够及时进行数据的处理，将有错误的图像重新标定人体目标区域，当然也可以是在每次人体目标检测后用户及时对数据进行处理，或者是达到处理阈值时对图片进行处理，具体的处理方式本实施例不再进行限定，当然处理阈值要小于预设阈值且可以被预设阈值整除，以便能够对所有图像进行处理。
基于上述技术方案，本实施例通过采用当检测的人体图像总量达到一定数量后对当前的分类器进行迭代训练，获得新的分类器，从而使分类器越来越准确，提高人体目标检测准确度，避免了相关技术中采用固定分类器对待检测图像进行处理而造成的准确率低的问题，提高人体目标检测的准确率，改善用户体验。
下面对本申请实施例提供的一种人体目标检测装置进行介绍，下文描述的人体目标检测装置与上文描述的人体目标检测方法可相互对应参照，参考图3，图3为本申请实施例所提供的一种人体目标检测装置的结构示意图，包括：
获取模块310，用于获取待检测人体图像；
人体目标检测模块320，用于利用分类器对待检测人体图像进行检测，获取人体目标的位置；
其中，分类器包括：
分类器获得单元，用于利用深度神经网络算法对人体样本图像集进行图像训练得到分类器，并利用分类器进行人体目标检测；
检测单元，用于利用分类器进行人体目标检测；
判断单元，用于判断检测的人体图像总量是否大于预设阈值；
确定单元，用于若大于预设阈值，则将根据检测的人体图像集在分类器的基础上利用深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入检测单元，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
在一些具体的实施例中，分类器获得单元包括：
人体样本图像集获取子单元，用于获取各个样本图像及对应的标注文件，以便得到人体样本图像集；
分类器获取子单元，用于利用深度神经网络算法对人体样本图像集进行图像训练，获得分类器。
在一些具体的实施例中，分类器获取子单元包括：
训练集和测试集获取子单元，用于获取预设比例的训练集和测试集；其中，训练集和测试集构成人体样本图像集；
初始分类器获取子单元，用于利用深度神经网络算法对训练集进行训练获得初始分类器；
测试子单元，用于利用测试集对初始分类器进行测试，获得测试成功率；
判断子单元，用于判断测试成功率是否大于成功率阈值；
分类器确定子单元，用于若测试成功率大于成功率阈值，得到分类器。
在一些具体的实施例中，还包括：
保存模块，用于当位置正确时，保存待检测人体图像的信息；当位置错误时，获取待检测人体图像的标注文件，并保存标注文件及待检测人体图像。
由于人体目标检测装置部分的实施例与人体目标检测方法部分的实施例相互对应，因此人体目标检测装置部分的实施例请参见人体目标检测方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的人体目标检测方法可相互对应参照，
本实施例提供一种电子设备，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人体目标检测方法的步骤。
由于电子设备部分的实施例与人体目标检测方法部分的实施例相互对应，因此电子设备部分的实施例请参见人体目标检测方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的人体目标检测方法可相互对应参照，
本实施例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人体目标检测方法的步骤。
由于计算机可读存储介质部分的实施例与人体目标检测方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参见人体目标检测方法部分的实施例的描述，这里暂不赘述。
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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种人体目标检测方法、人体目标检测装置、电子设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种人体目标检测方法，其特征在于，包括：
获取待检测人体图像；
利用分类器对所述待检测人体图像进行检测，获取人体目标区域的位置；
其中，所述分类器的获取的过程包括：
S121：利用深度神经网络算法对人体样本图像集进行图像训练得到所述分类器；
S122：利用所述分类器进行人体目标检测；
S123：判断检测的人体图像总量是否大于预设阈值；
S124：若大于所述预设阈值，则将根据检测的人体图像集在所述分类器的基础上利用所述深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入S122，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
2.根据权利要求1所述的人体目标检测方法，其特征在于，所述S121包括：
获取各个样本图像及对应的标注文件，以便得到所述人体样本图像集；
利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器。
3.根据权利要求2所述的人体目标检测方法，其特征在于，利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器，包括：
获取预设比例的训练集和测试集；其中，所述训练集和所述测试集构成所述人体样本图像集；
利用所述深度神经网络算法对所述训练集进行训练获得初始分类器；
利用所述测试集对所述初始分类器进行测试，获得测试成功率；
判断所述测试成功率是否大于成功率阈值；
若所述测试成功率大于所述成功率阈值，得到所述分类器，并利用所述分类器进行所述人体目标检测。
4.根据权利要求1所述的人体目标检测方法，其特征在于，利用所述分类器对所述待检测人体图像进行检测，获取人体目标的位置之后，还包括：
当所述位置正确时，保存所述待检测人体图像的信息；
当所述位置错误时，获取所述待检测人体图像的标注文件，并保存所述标注文件及所述待检测人体图像。
5.一种人体目标检测装置，其特征在于，包括：
获取模块，用于获取待检测人体图像；
人体目标检测模块，用于利用分类器对所述待检测人体图像进行检测，获取人体目标的位置；
其中，分类器包括：
分类器获得单元，用于利用深度神经网络算法对人体样本图像集进行图像训练得到所述分类器，并利用所述分类器进行所述人体目标检测；
检测单元，用于利用所述分类器进行人体目标检测；
判断单元，用于判断检测的人体图像总量是否大于预设阈值；
确定单元，用于若大于所述预设阈值，则将根据检测的人体图像集在所述分类器的基础上利用所述深度神经网络算法进行图像训练得到的分类器确定为新的分类器，并进入所述检测单元，直至迭代次数达到第一阈值或检测正确率达到第二阈值。
6.根据权利要求5所述的人体目标检测装置，其特征在于，所述分类器获得单元包括：
人体样本图像集获取子单元，用于获取各个样本图像及对应的标注文件，以便得到人体样本图像集；
分类器获取子单元，用于利用所述深度神经网络算法对所述人体样本图像集进行图像训练，获得所述分类器。
7.根据权利要求6所述的人体目标检测装置，其特征在于，所述分类器获取子单元包括：
训练集和测试集获取子单元，用于获取预设比例的训练集和测试集；其中，所述训练集和所述测试集构成所述人体样本图像集；
初始分类器获取子单元，用于利用所述深度神经网络算法对所述训练集进行训练获得初始分类器；
测试子单元，用于利用所述测试集对所述初始分类器进行测试，获得测试成功率；
判断子单元，用于判断所述测试成功率是否大于成功率阈值；
分类器确定子单元，用于若所述测试成功率大于所述成功率阈值，得到所述分类器。
8.根据权利要求5所述的人体目标检测装置，其特征在于，还包括：
保存模块，用于当所述位置正确时，保存所述待检测人体图像的信息；当所述位置错误时，获取所述待检测人体图像的标注文件，并保存所述标注文件及所述待检测人体图像。
9.一种电子设备，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4任一项所述人体目标检测方法的步骤。
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4任一项所述人体目标检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711993.6A CN110414461A (zh) | 2019-08-02 | 2019-08-02 | 一种人体目标检测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711993.6A CN110414461A (zh) | 2019-08-02 | 2019-08-02 | 一种人体目标检测方法、装置和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414461A true CN110414461A (zh) | 2019-11-05 |
Family
ID=68365486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910711993.6A Pending CN110414461A (zh) | 2019-08-02 | 2019-08-02 | 一种人体目标检测方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414461A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153343A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 电梯安全监控方法、装置、监控摄像头和存储介质 |
| CN114724256A (zh) * | 2022-04-19 | 2022-07-08 | 盐城鸿石智能科技有限公司 | 一种具有图像分析的人体感应控制系统及方法 |
| CN116091982A (zh) * | 2023-04-03 | 2023-05-09 | 浪潮电子信息产业股份有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211411A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种人体检测的方法和装置 |
| CN101482923A (zh) * | 2009-01-19 | 2009-07-15 | 刘云 | 视频监控中人体目标的检测与性别识别方法 |
| US20140177946A1 (en) * | 2012-12-21 | 2014-06-26 | Electronics and Telecommunicatidons Research Institute | Human detection apparatus and method |
| CN107491790A (zh) * | 2017-08-25 | 2017-12-19 | 北京图森未来科技有限公司 | 一种神经网络训练方法及装置 |
-
2019
- 2019-08-02 CN CN201910711993.6A patent/CN110414461A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211411A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种人体检测的方法和装置 |
| CN101482923A (zh) * | 2009-01-19 | 2009-07-15 | 刘云 | 视频监控中人体目标的检测与性别识别方法 |
| US20140177946A1 (en) * | 2012-12-21 | 2014-06-26 | Electronics and Telecommunicatidons Research Institute | Human detection apparatus and method |
| CN107491790A (zh) * | 2017-08-25 | 2017-12-19 | 北京图森未来科技有限公司 | 一种神经网络训练方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153343A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 电梯安全监控方法、装置、监控摄像头和存储介质 |
| CN114724256A (zh) * | 2022-04-19 | 2022-07-08 | 盐城鸿石智能科技有限公司 | 一种具有图像分析的人体感应控制系统及方法 |
| CN116091982A (zh) * | 2023-04-03 | 2023-05-09 | 浪潮电子信息产业股份有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
| CN116091982B (zh) * | 2023-04-03 | 2023-07-14 | 浪潮电子信息产业股份有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414461A (zh) | 一种人体目标检测方法、装置和计算机可读存储介质 | |
| CN114424253A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN107491790B (zh) | 一种神经网络训练方法及装置 | |
| CN108737750A (zh) | 图像处理方法、装置及电子设备 | |
| CN108780050B (zh) | 检测镜头的方法及装置、电子设备和计算机可读存储介质 | |
| CN105956518A (zh) | 一种人脸识别方法、装置和系统 | |
| CN108229480A (zh) | 一种数字表读数的识别方法、装置及设备 | |
| CN109685761B (zh) | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 | |
| CN104809453A (zh) | 一种基于指纹的认证方法 | |
| CN109800654B (zh) | 车载摄像头检测处理方法、装置及车辆 | |
| CN109767443A (zh) | 一种布料瑕疵数据收集方法及装置 | |
| WO2021027309A1 (zh) | 基于环境光线检测的视频拍摄方法、装置、设备及介质 | |
| CN109781747B (zh) | 基于机器视觉的细胞学标本样片染色效果检测方法及系统 | |
| CN112183356A (zh) | 驾驶行为检测方法、设备及可读存储介质 | |
| CN109086765B (zh) | 车牌识别方法、装置、介质、服务器和行车记录仪 | |
| CN110516535A (zh) | 一种基于深度学习的老鼠活跃度检测方法和系统、及卫生评估方法 | |
| CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
| CN112927247A (zh) | 基于目标检测的切图方法、切图装置和存储介质 | |
| CN111126300B (zh) | 一种人体图像检测方法、装置和电子设备及可读存储介质 | |
| CN106569946A (zh) | 一种移动终端性能测试方法及系统 | |
| CN112115873A (zh) | 基于深度学习的硅藻自动检测方法及系统 | |
| CN113963149A (zh) | 一种医疗票据图片的模糊判断方法、系统、设备及介质 | |
| CN109784145A (zh) | 基于深度图的目标检测方法及存储介质 | |
| CN111738085B (zh) | 实现自动驾驶同时定位与建图的系统构建方法及装置 | |
| Pan et al. | Bacterial foraging based edge detection for cell image segmentation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |