CN110991312A - 生成检测信息的方法、装置、电子设备和介质 - Google Patents

Abstract

本公开的实施例公开了生成检测信息的方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取待检测图像；将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。该实施方式实现了对图像的人体检测。

Description

生成检测信息的方法、装置、电子设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及生成检测信息的方法、装置、电子设备和介质。

背景技术

人体检测在计算机视觉领域中有许多重要的应用，例如驾驶辅助系统，视频监控，图像检索，机器人和高级人机交互等。现如今，行人检测技术已经取得了很大的突破，在室内等背景比较固定的场景下已取得了比较不错的效果。但在复杂场景下，例如车站、广场等环境中，由于行人与行人之间及行人与检测环境中存在的物体之间存在着不同程度的遮挡等，这为人体检测带来了困难。现有的图像处理等方法虽然能在一定程度上处理局部的遮挡问题，但还不能处理较严重的遮挡问题。因此，在行人被遮挡时如何对进行人体检测是要解决的首要问题。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了生成检测信息的方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于生成检测信息的方法，该方法包括：获取待检测图像；将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

在一些实施例中，上述将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型，包括：执行以下训练步骤：将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息；将上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息与该样本人体图像对应的上述样本人体图像的上述样本检测信息进行比较，得到检测信息损失值；将所述检测信息损失值与预设阈值进行比较，得到比较结果；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将上述初始模型确定为人体检测模型。

在一些实施例中，上述方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

在一些实施例中，上述获取训练样本集合，包括：获取人体图像；对上述人体图像进行增广处理，得到处理后的人体图像和与上述处理后的人体图像对应的检测信息；将所得到的人体图像和检测信息汇总，得到图像信息集合作为训练样本集合。

在一些实施例中，上述对上述人体图像进行增广处理，得到处理后的人体图像和与上述人体图像对应的检测信息，包括：将上述人体图像进行比例划分，得到划分区域组合；对上述划分区域组合中的至少一个子区域进行遮挡，得到遮挡后的人体图像；对上述遮挡后的人体图像进行检测，得到检测信息。

在一些实施例中，上述将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息，还包括：将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的图像特征；根据所得到的图像特征，对上述样本人体图像进行分类，得到至少一个图像集。

在一些实施例中，上述方法还包括：将上述检测信息发送给终端设备，基于上述检测信息，控制上述终端设备对上述待检测图像进行标注。

第二方面，本公开的一些实施例提供了一种生成检测信息的装置，装置包括：获取单元，被配置成获取待检测图像；生成单元，被配置成将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先获取待检测图像，然后通过预先训练的模型，生成上述待检测图像的检测信息。本公开的方法可以通过预先训练的模型对图像中的行人进行检测，减少了检测图像的时间，为人体检测提供了便利。由于，在模型的训练中，样本人体图像是对人体图像进行不同程度的遮挡得到的，丰富了样本的多样性。从而，更加契合实际的模仿出了在拍摄到行人与行人之间及行人与检测环境中存在的物体之间存在着不同程度的遮挡的情况。这可以有助于人体检测模型的训练，以便得到更符合需求的人体检测模型。进而，有效的解决了在复杂场景下发生较严重的遮挡时的行人检测问题。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的一些实施例的生成检测信息的方法的一个应用场景的示意图。

图2A-2B是根据本公开的生成检测信息的方法的一些实施例的流程图。

图3是根据本公开的一些实施例的生成检测信息的方法的另一些实施例的流程图。

图4是根据本公开的生成检测信息的装置的一些实施例的结构示意图。

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本申请一些实施例的生成检测信息的方法的一个应用场景的示意图。

如图1所示，服务器101可以接收用户输入的待检测图像。然后，将上述待检测图像输入至预先训练的人体检测模型。从而，可以得到上述待检测图像的检测信息。可选的，服务器101可以将上述检测信息发送给终端设备102，以及控制终端设备102对上述检测信息进行显示。可选的，服务器可以根据上述检测信息对上述待检测图像进行标注。例如，检测信息为“检测到图像中包含人体头部特征”，那么，可以对检测到的包含人头头部特征的区域进行范围标记。人体检测模型通过如下步骤训练得到：获取训练样本集合；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

需要说明的是，上述执行主体可以是硬件，也可以是软件。当执行主体为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当执行主体体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。还可以是一个线程或进程。在此不做具体限定。

继续参考图2A，示出了根据本公开的生成检测信息的方法的一些实施例的流程图200。该生成检测信息的方法，包括以下步骤：

步骤201，获取待检测图像。

在一些实施例中，生成检测信息的方法的执行主体(例如图1所示的服务器101)可以通过有线连接方式或无线连接方式获取待检测图像。作为示例，上述待检测图像可以是用户存储在本地的图片，也可以是服务器通过有线连接方式或无线连接方式连接电子设备接收的图像。

步骤202，将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息。

在一些实施例中，上述执行主体可以将上述待检测图像输入至预先训练的人体检测模型，从而生成上述待检测图像的检测信息。在这里，检测信息可以是用于表征对待检测图像的检测结果的信息。例如，待检测图像中不包含人体特征。具体地，人体特征可以是用于表征人体部分的特征。例如，头部特征。又例如，腿部特征。这里的，检测信息可以是用于表征待检测图像中包含人体特征的区域的比重的数值。例如，待检测图像总区域是100，检测到包含人体特征的区域是65，那么，检测信息可以是“上述待检测图像上，人体特征包含程度为65％”。

在一些实施例中，上述人体检测模型通过如下步骤训练得到：

步骤2021，获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息。

在一些实施例中，上述执行主体可以有线连接方式或无线连接方式获取训练样本集合。例如，上述执行主体可以从数据库服务器(例如图1所示的服务器101)中获取存储于其中的现有的训练样本集合。又例如，用户可以通过终端(例如图1所示的终端102)来收集样本。在这里，人体图像可以是包含部分人体特征的图像。

在一些实施例的一些可选的实现方式中，上述获取训练样本集合，包括：获取人体图像；对上述人体图像进行增广处理，得到处理后的人体图像和与上述处理后的人体图像对应的检测信息；将所得到的人体图像和检测信息汇总，得到图像信息集合作为训练样本集合。这里的，增广处理可以是根据一个图像生成多个图像的图像处理。

作为示例，如图2B所示，上述执行主体可以对人体图像进行比例划分，可以得到划分区域组合。区域包括但不限于以下至少一项：头部区域，左上身区域，右上身区域，左下身区域，右下身区域。由此，可以得到多个区域组合。上述执行主体可以对上述区域组合中的至少一个子区域进行遮挡。这里的，遮挡可以是对子区域内的人体图像进行随机程度的覆盖。这样，可以得到多个不同的人体图像。然后，上述执行主体可以对上述人体图像进行检测，可以得到上述人体图像的检测信息。由此可以得到处理后的人体图像和与处理后的人体图像对应的检测信息。

在一些实施例的一些可选的实现方式中，上述对上述人体图像进行增广处理，得到处理后的人体图像和与上述人体图像对应的检测信息，包括：将上述人体图像进行比例划分，得到划分区域组合；对上述划分区域组合中的至少一个子区域进行遮挡，得到遮挡后的人体图像；对上述遮挡后的人体图像进行检测，得到检测信息。

在一些实施例的一些可选的实现方式中，上述将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息，还包括：将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的图像特征；根据所得到的图像特征，对上述样本人体图像进行分类，得到至少一个图像集。在这里，图像特征可以是图像中包含的人体特征，上述人体特征包括但不限于以下至少一项：头部特征，左上身特征，右上身特征，左下身特征，右下身特征。这里的，图像特征可以用于确定图像中是否包含人体特征。也可以用于确定图像中包含哪些人体特征。

作为示例，上述执行主体可以利用特征提取器对上述样本人体图像进行特征提取。这里的，特征提取器可以是用于提取特征的神经网络模型。例如，VGG模型(VisualGeometry Group Network，VGGNet)。

步骤2022，将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

在一些实施例中，人体检测模型可以是预先训练好的用于检测人体生成检测信息的神经网络模型。上述执行主体可以通过多种方式训练出将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出的神经网络模型。

作为示例，上述执行主体接收用户输入的待检测图像。然后将上述图像输入预先训练的人体检测模型，可以生成上述图像的检测信息。

在一些实施例的一些可选的实现方式中，上述将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型，包括：执行以下训练步骤：将上述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息；将上述多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息与该样本人体图像对应的上述样本人体图像的上述样本检测信息进行比较，得到检测信息损失值；将所述检测信息损失值与预设阈值进行比较，得到比较结果；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将上述初始模型确定为人体检测模型。

在这里，上述检测信息损失值可以是将上述得到的多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息与该样本人体图像对应的上述样本人体图像的上述样本检测信息作为参数，输入指定的损失函数中得到的值。在这里，损失函数(例如平方损失函数、指数损失函数等)通常是用来估量模型的预测值(例如该样本人体图像对应的上述样本人体图像的上述样本检测信息)与真实值(例如通过步骤2022得到的多个样本人体图像中的每个样本人体图像所对应的上述样本检测信息)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

在这里，上述初始模型可以是未经训练，或者训练后未达到预设条件的模型。上述初始模型也可以是具有深度神经网络结构的模型。预先训练的人体检测模型可以是预先训练好的用于检测人体的神经网络模型。该神经网络模型可以具有现有的各种神经网络结构。例如，神经网络结构可以是循环神经网络(Recurrent Neural Network，RNN)。初始模型的存储位置在本公开中同样不限制。

在一些实施例的一些可选的实现方式中，上述方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

在一些实施例的一些可选的实现方式中，上述方法还包括：将上述检测信息发送给终端设备，基于上述检测信息，控制上述终端设备对上述待检测图像进行标注。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过模型训练，可以得到用于检测人体生成检测信息的人体检测模型。将待检测图像输入上述人体检测模型，可以得到上述图像的检测信息。本公开的生成检测信息的方法，可以利用预先训练的人体检测模型，对待检测图像进行人体检测。从而，实现了人体的检测，节省了人体检测的时间。

继续参考图3，示出了根据本公开的生成检测信息的方法的另一些实施例的流程图300。该生成检测信息的方法，包括以下步骤：

步骤301，获取待检测图像。

步骤302，将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：

步骤3021，获取人体图像。

在一些实施例中，上述执行主体可以通过有线连接方式或无线连接方式获取人体图像。例如，上述执行主体可以获取用户存储在本地的人体图像作为上述人体图像，也可以是服务器通过有线连接方式或无线连接方式连接电子设备接收的图像。

步骤3022，对人体图像进行增广处理，得到处理后的人体图像和与处理后的人体图像对应的检测信息。

在一些实施例中，上述执行主体可以对上述人体图像进行增广处理。这里的，增广处理可以是根据一个图像生成多个图像的图像处理。

作为示例，上述执行主体可以对人体图像进行至少一次随机截取，可以得到截取后的图像。对截取后的图像进行检测，可以得到上述图像的检测信息。这里的，随机截取可以是对人体图像的随机程度上的截取。

在一些实施例的一些可选的实现方式中，上述对上述人体图像进行增广处理，得到处理后的人体图像和与上述人体图像对应的检测信息，包括：将上述人体图像进行比例划分，得到划分区域组合；对上述划分区域组合中的至少一个子区域进行遮挡，得到遮挡后的人体图像；对上述遮挡后的人体图像进行检测，得到检测信息。

步骤3023，将所得到的人体图像和检测信息汇总，得到图像信息集合作为训练样本集合。

在一些实施例中，上述执行主体可以将上述步骤3022所得到的人体图像和与上述人体图像对应的检测信息汇总，得到图像信息集合。然后，将上述图像信息集合作为训练样本集合。

作为示例，上述执行主体对接收到的人体图像进行比例划分，可以得到至少一个划分的区域。然后，将已划分的区域进行随机组合，可以得到至少一个区域组合。进而，对上述区域组合的人体图像进行不同程度的覆盖，可以得到多个人体图像。再对上述人体图像进行检测，可以得到与人体图像对应的检测信息。最后，将上述人体图像和人体图像对应的检测信息汇总，可以得到图像信息集合。

步骤3024，将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

在一些实施例中，人体检测模型可以是预先训练好的用于检测人体生成检测信息的神经网络模型。上述执行主体可以通过多种方式训练出将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出的神经网络模型。

在一些实施例中，步骤301-302的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：对人体图像的增广处理中，包括了对人体图像的比例划分，对不同划分区域的不同程度覆盖。由此，可以得到多个人体图像。进而，可以得到多样的训练样本集合，丰富了样本的多样性。从而，更加契合实际的模仿出了在拍摄行人且行人被遮挡的情况。这可以有助于人体检测模型的训练，以便得到准确度更高的人体检测模型。因而，利用人体检测模型生成的检测信息也更符合需求。

继续参考图4，作为对上述各图上述方法的实现，本公开提供了一种生成检测信息的装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的生成检测信息的装置400包括：获取单元401和生成单元402。其中，获取单元401，被配置成获取待检测图像；生成单元402，被配置成将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

在一些实施例的一些可选的实现方式中，上述生成检测信息的装置400还包括：调整单元，被配置成响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

在一些实施例的一些可选的实现方式中，上述生成检测信息的装置400还包括：标注单元，被配置成将上述检测信息发送给终端设备，基于上述检测信息，控制上述终端设备对上述待检测图像进行标注。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)500的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测图像；将上述待检测图像输入至预先训练的人体检测模型，生成上述待检测图像的检测信息，其中，上述人体检测模型通过如下步骤训练得到：获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；将上述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的上述样本检测信息作为期望输出，训练得到上述人体检测模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成检测信息的方法，包括：

获取待检测图像；

将所述待检测图像输入至预先训练的人体检测模型，生成所述待检测图像的检测信息，其中，所述人体检测模型通过如下步骤训练得到：

获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；

将所述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的所述样本检测信息作为期望输出，训练得到所述人体检测模型。

2.根据权利要求1所述的方法，其中，所述将所述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的所述样本检测信息作为期望输出，训练得到所述人体检测模型，包括：

执行以下训练步骤：将所述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到所述多个样本人体图像中的每个样本人体图像所对应的所述样本检测信息；将所述多个样本人体图像中的每个样本人体图像所对应的所述样本检测信息与该样本人体图像对应的所述样本人体图像的所述样本检测信息进行比较，得到检测信息损失值；将所述检测信息损失值与预设阈值进行比较，得到比较结果；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将所述初始模型确定为人体检测模型。

3.根据权利要求2所述的方法，其中，所述方法还包括：

响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从所述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

4.根据权利要求1所述的方法，其中，所述获取训练样本集合，包括：

获取人体图像；

对所述人体图像进行增广处理，得到处理后的人体图像和与所述处理后的人体图像对应的检测信息；

将所得到的人体图像和检测信息汇总，得到图像信息集合作为训练样本集合。

5.根据权利要求4所述的方法，其中，所述对所述人体图像进行增广处理，得到处理后的人体图像和与所述人体图像对应的检测信息，包括：

将所述人体图像进行比例划分，得到划分区域组合；

对所述划分区域组合中的至少一个子区域进行遮挡，得到遮挡后的人体图像；

对所述遮挡后的人体图像进行检测，得到检测信息。

6.根据权利要求4所述的方法，其中，所述将所述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到所述多个样本人体图像中的每个样本人体图像所对应的所述样本检测信息，还包括：

将所述多个样本人体图像中的每个样本人体图像依次输入至初始模型，得到所述多个样本人体图像中的每个样本人体图像所对应的图像特征；

根据所得到的图像特征，对所述样本人体图像进行分类，得到至少一个图像集。

7.根据权利要求1-3之一所述的方法，其中，所述方法还包括：

将所述检测信息发送给终端设备，基于所述检测信息，控制所述终端设备对所述待检测图像进行标注。

8.一种用于生成检测信息的装置，包括：

获取单元，被配置成获取待检测图像；

生成单元，被配置成将所述待检测图像输入至预先训练的人体检测模型，生成所述待检测图像的检测信息，其中，所述人体检测模型通过如下步骤训练得到：

获取训练样本集合，训练样本包括样本人体图像和与样本人体图像对应的样本检测信息；

将所述训练样本集合中的训练样本的样本人体图像作为输入，将与输入的样本人体图像对应的所述样本检测信息作为期望输出，训练得到所述人体检测模型。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images