CN112733671A - 行人检测方法、装置及可读存储介质 - Google Patents
行人检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112733671A CN112733671A CN202011630036.XA CN202011630036A CN112733671A CN 112733671 A CN112733671 A CN 112733671A CN 202011630036 A CN202011630036 A CN 202011630036A CN 112733671 A CN112733671 A CN 112733671A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- detection
- pedestrian detection
- video stream
- human body
- 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 183
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000001629 suppression Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种行人检测方法，包括步骤：获取视频流图片，进行预处理，获得训练素材；预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；根据训练素材，训练获得行人检测模型；行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；将待测的视频流图片进行预处理后输入至行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。在对不同帧之间检测到的行人进行比对来判断是否同一个人时，可以仅对没有遮挡的部分进行比对，从而提升了跟踪和重识别准确率。其具有检测速度快、识别率高的优点。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种行人检测方法、装置及可读存储介质。
背景技术
行人检测(Pedestrian Detection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位，其是计算机视觉研究中的热点和难点。行人检测要解决的问题是：找出图像或视频帧中所有的行人，包括位置和大小，一般用矩形框表示，和人脸检测类似，这也是典型的目标检测问题。行人检测技术有很强的使用价值，它可以与行人跟踪，行人重识别等技术结合，应用于汽车无人驾驶系统(ADAS)、智能机器人、智能视频监控、人体行为分析、客流统计系统、智能交通等领域。
行人检测有两种主要技术路径，第一种方法是使用人工特征加上分类器的方案，第二个是基于深度学习神经网络的方案，由于基于深度学习学到的特征具有很强层次表达能力和很好的鲁棒性，因此目前主流的技术方案是后者。
由于行人检测仅能把人体的外接矩形找到，但是没有办法细化到具体的人体部件，而实际将行人检测用于行人跟踪和重试别等技术时，需要对不同帧之间检测到的行人进行比对来判断是否同一个人。由于遮挡问题经常发生，而遮挡的位置不能确定，如果前后帧遮挡的位置不同，使用前后帧检测出的整个人体框进行对比会出现较大的误差，对跟踪和重试别的结果影响较大。
发明内容
本发明要解决的技术问题是如何提供一种适用于人体遮挡情况、误差小的行人检测方法、装置及可读存储介质。
为了解决上述技术问题，本发明的技术方案为：
第一方面，本发明提出了一种行人检测方法，包括步骤：
获取视频流图片，进行预处理，获得训练素材；所述预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；
根据所述训练素材，训练获得行人检测模型；所述行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
将待测的视频流图片进行预处理后输入至所述行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
优选地，所述行人检测模型的训练步骤为：
输入所述训练素材，计算所述先验框内物体的类别置信度，判断所述先验框内是否为行人；
如所述先验框内为行人，检测所述先验框内行人的边界框；
预测行人的人体部件，将其分别使用边框框出；
分别计算所述行人检测模型的三个部分的损失函数，将三个损失函数进行加权相加后获得总损失函数，通过最小化所述总损失函数来迭代获得所述行人检测模型。
优选地，所述人体部件检测部将人体分为头部，上半身和下半身部分三个部分。
优选地，所述行人检测部分的损失函数为
focalloss：
其中y代为标签、y′为预测结果、α及γ为预设常数；
所述边界框检测部分使用的损失函数为ciouloss：
其中IOU为重叠面积、
为中心点距离、αυ为长宽比；
所述人体部件检测部分使用的损失函数为wingloss：
优选地，提取多尺度特征图时：基于RetinaNet采用多尺度特征图用于检测，采用特征金字塔的技术，实现了多尺度信息的提取和融合，对大中小三个尺度的行人进行检测。
优选地，检测所述先验框内行人的边界框的步骤为：获取所述边界框的中心位置坐标及长度、宽度。
优选地，预测行人的人体部件的过程为：通过多个关键点的定位来得到每个行人检测框中其身体部件的位置，将不同的人体部分分别使用边框框出。
第二方面，本发明还提出了一种行人检测装置，包括：
预处理模块：获取视频流图片，进行预处理，获得训练素材；所述预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；
训练模块：根据所述训练素材，训练获得行人检测模型；所述行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
检测模块：将待测的视频流图片进行预处理后输入至所述行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
第三方面，本发明还提出一种行人检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的行人检测方法的步骤。
第四方面，本发明还提出一种行人检测的可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的行人检测方法的步骤。
采用上述技术方案，本发明技术方案通过在基于深度学习的行人检测的基础上加入了行人部件检测的分支，能够实现同时将行人及其部件检测、标记出来的功能。由于行人部件检测是与行人检测是同步输出的，加入该行人部件检测不会影响原有行人检测的时间。在对不同帧之间检测到的行人进行比对来判断是否同一个人时，可以仅对没有遮挡的部分进行比对，例如行人的下半身未检测到就可以认为下半身发生了遮挡，在与其他帧的行人进行比对的时候就不加入下半身比对，从而提升了跟踪和重识别准确率。本技术方案具有检测速度快、识别率高的优点。
附图说明
图1为本发明行人检测方法一实施例的步骤流程图；
图2为本发明行人检测方法一实施例的预处理过程原理图；
图3为本发明行人检测方法一实施例的行人检测模型训练步骤流程图；
图4为本发明行人检测方法一实施例的行人检测模型原理图；
图5为本发明行人检测装置一实施例的原理图；
图6为本发明行人检测方法中人体部件检测部分的损失函数的原理图。
图中，10-预处理模块，20-训练模块，30-检测模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了深度神经网络行人及其部件预测模型，对行人及其部件的相关数据集应用神经网络模型进行建模，旨在解决传统行人检测仅能预测出行人整体位置，对其身体部件识别不够精细化的问题。
为了解决上述技术问题，本发明的技术方案为：
参照图1，第一方面，本发明提出了一种行人检测方法，包括步骤：
S10：获取视频流图片，进行预处理，获得训练素材；参照图2，预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；提取多尺度特征图时：基于RetinaNet采用多尺度特征图用于检测，采用特征金字塔的技术，实现了多尺度信息的提取和融合，对大中小三个尺度的行人进行检测。
具体地，检测先验框内行人的边界框的步骤为：获取边界框的中心位置坐标及长度、宽度。
S20：根据训练素材，训练获得行人检测模型；行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
参照图2，其中行人检测模型的训练步骤为：
S21：输入训练素材，计算先验框内物体的类别置信度，判断先验框内是否为行人；
S22：如先验框内为行人，检测先验框内行人的边界框；
S23：预测行人的人体部件，将其分别使用边框框出；
S24：分别计算行人检测模型的三个部分的损失函数，将三个损失函数进行加权相加后获得总损失函数，通过最小化总损失函数来迭代获得行人检测模型。
其中，行人检测部分的损失函数为focalloss：
其中y代表标签，y′表示预测结果，平衡因子α用于平衡正负样本比例不均，γ系数可以减少易分样本的损失，关注困难样本；
边界框检测部分使用的损失函数为ciouloss：
括号内三项分别表示重叠面积，中心点距离，长宽比，定义该loss的目的是使得预测的检测框与GT重叠面积最大化，而其中心点距离和长宽比最小化，即预测结果越相似；
参照图5，人体部件检测部分使用的损失函数为wingloss：
x表示预测值和GT的差值，ω＝5，ε＝0.5，该loss在接近0的ω区间内梯度值越来越大，使得其能够尽快在零轴附近收敛。
具体地，预测行人的人体部件的过程为：通过多个关键点的定位来得到每个行人检测框中其身体部件的位置，将不同的人体部分分别使用边框框出。
本发明实施例中，人体部件检测部将人体分为头部，上半身和下半身部分三个部分。
S30：将待测的视频流图片进行预处理后输入至行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
采用上述技术方案，本发明技术方案通过在基于深度学习的行人检测的基础上加入了行人部件检测的分支，能够实现同时将行人及其部件检测、标记出来的功能。由于行人部件检测是与行人检测是同步输出的，加入该行人部件检测不会影响原有行人检测的时间。在对不同帧之间检测到的行人进行比对来判断是否同一个人时，可以仅对没有遮挡的部分进行比对，例如行人的下半身未检测到就可以认为下半身发生了遮挡，在与其他帧的行人进行比对的时候就不加入下半身比对，从而提升了跟踪和重识别准确率。本技术方案具有检测速度快、识别率高的优点。
参照图4，第二方面，本发明还提出了一种行人检测装置，包括：
预处理模块10：获取视频流图片，进行预处理，获得训练素材；预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；
训练模块20：根据训练素材，训练获得行人检测模型；行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
检测模块30：将待测的视频流图片进行预处理后输入至行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
第三方面，本发明还提出一种行人检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现行人检测方法的步骤。
该行人检测方法具体包括如下步骤：
参照图3，基于RetinaNet采用多尺度特征图用于检测，采用特征金字塔的技术，实现了多尺度信息的提取和融合，可以对大中小三个尺度的行人进行检测；
采用卷积对不同的特征图来进行提取检测结果；
借鉴SSD中anchor的理念，每个单元根据行人的特点设置尺度和长宽比不同的先验框，预测的边界框(bounding boxes)是以这些先验框为基准的，在一定程度上减少训练难度。每个单元设置多个先验框，其尺度和长宽比存在差异；
对于每个单元的每个先验框，其都输出一套独立的检测值，对应一个边界框，主要分为三个部分，第一部分是类别的置信度，用于判断该先验框是否属于行人检测框，第二部分就是边界框的location，包含4个值，分别是xywh，对应该检测框的中心坐标位置及其宽高。基于前两个部分就可以完成基础的行人检测任务，本发明在此基础上额外增加了一个分支，用于预测该行人检测框的人体部件，目前初定行人部件可以分为头部，上半身和下半身。定位头部仅需要找到头部左上角和右下角相对该检测框的位置即可，而区分上半身和下半身仅需要找到腰部的关键点即可划分上下半身，因此，该部件检测任务可以被转换为多个关键点的检测任务，通过关键点的定位来得到每个行人检测框中其身体部件的位置。
损失函数：由于该模型是多任务学习网络，因此针对三个不同的独立分支使用了不同的损失函数，最后将不同的loss分配不同的权重加权后得到总的损失函数。分类分支使用的是为了解决one-stage目标检测中正负样本比例严重失衡的问题的focalloss：
回归分支使用的是ciouloss：
部件检测分支使用的是wingloss：
预测过程：针对每个尺度下的预测框，首先根据类别置信度确定其类别(是行人还是背景)与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值过滤掉阈值较低的预测框。对于留下的预测框进行decode，根据先验框得到其真实的位置参数以及及其部件的位置点。decode之后，进行NMS算法，过滤掉那些重叠度较大的预测框，最后剩余的预测框为检测结果。
第四方面，本发明还提出一种行人检测的可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上的行人检测方法的步骤。
本发明在原有行人检测基础上增加其部件检测分支，以解决传统行人检测在遮挡情况下对跟踪和重识别情况下表现较差的问题。
采用本模型可以不断进行优化，增加部件检测分支后，行人检测模块速度可以达到实时，性能能达到SOTA水平，且由于部件检测分支是并行的，并不会增加原有模型的耗时，同时部件检测分支也可以达到非常好的效果。其通过部件与整体的相互约束，有助于减少误检。采用本模型进行行人及其部件检测，将其结果应用与遮挡情况下的行人跟踪和重识别问题，可以有效的提高准确率。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种行人检测方法，其特征在于，包括步骤：
获取视频流图片，进行预处理，获得训练素材；所述预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；
根据所述训练素材，训练获得行人检测模型；所述行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
将待测的视频流图片进行预处理后输入至所述行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
2.根据权利要求1所述的行人检测方法，其特征在于：所述行人检测模型的训练步骤为：
输入所述训练素材，计算所述先验框内物体的类别置信度，判断所述先验框内是否为行人；
如所述先验框内为行人，检测所述先验框内行人的边界框；
预测行人的人体部件，将其分别使用边框框出；
分别计算所述行人检测模型的三个部分的损失函数，将三个损失函数进行加权相加后获得总损失函数，通过最小化所述总损失函数来迭代获得所述行人检测模型。
3.根据权利要求2所述的行人检测方法，其特征在于：所述人体部件检测部将人体分为头部，上半身和下半身部分三个部分。
4.根据权利要求2所述的行人检测方法，其特征在于：所述行人检测部分的损失函数为focalloss：
其中y代为标签、y′为预测结果、α及γ为预设常数；
所述边界框检测部分使用的损失函数为ciouloss：
其中，IOU为重叠面积、
为中心点距离、αυ为长宽比；
所述人体部件检测部分使用的损失函数为wingloss：
5.根据权利要求2所述的行人检测方法，其特征在于：提取多尺度特征图时：基于RetinaNet采用多尺度特征图用于检测，采用特征金字塔的技术，实现了多尺度信息的提取和融合，对大中小三个尺度的行人进行检测。
6.根据权利要求2所述的行人检测方法，其特征在于：检测所述先验框内行人的边界框的步骤为：获取所述边界框的中心位置坐标及长度、宽度。
7.根据权利要求2所述的行人检测方法，其特征在于：预测行人的人体部件的过程为：通过多个关键点的定位来得到每个行人检测框中其身体部件的位置，将不同的人体部分分别使用边框框出。
8.一种行人检测装置，其特征在于，包括：
预处理模块：获取视频流图片，进行预处理，获得训练素材；所述预处理步骤包括：提取多尺度特征图，对不同的特征图进行提取检测结果，设置尺度和长宽比不同的先验框；
训练模块：根据所述训练素材，训练获得行人检测模型；所述行人检测模型包括：行人检测部分、边界框检测部分及人体部件检测部分；
检测模块：将待测的视频流图片进行预处理后输入至所述行人检测模型中进行检测，通过非极大值抑制算法过滤后获得检测结果。
9.一种行人检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1至7所述的行人检测方法的步骤。
10.一种行人检测的可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1至7所述的行人检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011630036.XA CN112733671A (zh) | 2020-12-31 | 2020-12-31 | 行人检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011630036.XA CN112733671A (zh) | 2020-12-31 | 2020-12-31 | 行人检测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112733671A true CN112733671A (zh) | 2021-04-30 |
Family
ID=75608312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011630036.XA Pending CN112733671A (zh) | 2020-12-31 | 2020-12-31 | 行人检测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733671A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220335727A1 (en) * | 2021-03-05 | 2022-10-20 | Tianiin Soterea Automotive Technology Limited Company | Target determination method and apparatus, electronic device, and computer-readable storage medium |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011011870A1 (de) * | 2010-02-23 | 2011-08-25 | Conti Temic microelectronic GmbH, 90411 | Komponenten-basierte Detektion, Klassifikation, Verfolgung und Prädikation von Objekten |
| CN108875500A (zh) * | 2017-11-06 | 2018-11-23 | 北京旷视科技有限公司 | 行人再识别方法、装置、系统及存储介质 |
| CN109214241A (zh) * | 2017-07-03 | 2019-01-15 | 中国科学院文献情报中心 | 基于深度学习算法的行人检测方法 |
| CN109657545A (zh) * | 2018-11-10 | 2019-04-19 | 天津大学 | 一种基于多任务学习的行人检测方法 |
| US10321728B1 (en) * | 2018-04-20 | 2019-06-18 | Bodygram, Inc. | Systems and methods for full body measurements extraction |
| CN110738110A (zh) * | 2019-09-11 | 2020-01-31 | 北京迈格威科技有限公司 | 基于锚点的人脸关键点检测方法、装置、系统和存储介质 |
| CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
| CN111241924A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 |
| CN111339967A (zh) * | 2020-02-28 | 2020-06-26 | 长安大学 | 一种基于多视域图卷积网络的行人检测方法 |
| CN111523439A (zh) * | 2020-04-21 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种基于深度学习的目标检测的方法、系统、设备及介质 |
| CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
| CN111753682A (zh) * | 2020-06-11 | 2020-10-09 | 中建地下空间有限公司 | 一种基于目标检测算法的吊装区域动态监控方法 |
| CN111783665A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(西安)科技有限公司 | 一种动作识别方法、装置、存储介质和电子设备 |
| CN112052746A (zh) * | 2020-08-17 | 2020-12-08 | 北京大米科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-12-31 CN CN202011630036.XA patent/CN112733671A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011011870A1 (de) * | 2010-02-23 | 2011-08-25 | Conti Temic microelectronic GmbH, 90411 | Komponenten-basierte Detektion, Klassifikation, Verfolgung und Prädikation von Objekten |
| CN109214241A (zh) * | 2017-07-03 | 2019-01-15 | 中国科学院文献情报中心 | 基于深度学习算法的行人检测方法 |
| CN108875500A (zh) * | 2017-11-06 | 2018-11-23 | 北京旷视科技有限公司 | 行人再识别方法、装置、系统及存储介质 |
| US10321728B1 (en) * | 2018-04-20 | 2019-06-18 | Bodygram, Inc. | Systems and methods for full body measurements extraction |
| CN109657545A (zh) * | 2018-11-10 | 2019-04-19 | 天津大学 | 一种基于多任务学习的行人检测方法 |
| CN110738110A (zh) * | 2019-09-11 | 2020-01-31 | 北京迈格威科技有限公司 | 基于锚点的人脸关键点检测方法、装置、系统和存储介质 |
| CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
| CN111241924A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 |
| CN111339967A (zh) * | 2020-02-28 | 2020-06-26 | 长安大学 | 一种基于多视域图卷积网络的行人检测方法 |
| CN111523439A (zh) * | 2020-04-21 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种基于深度学习的目标检测的方法、系统、设备及介质 |
| CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
| CN111753682A (zh) * | 2020-06-11 | 2020-10-09 | 中建地下空间有限公司 | 一种基于目标检测算法的吊装区域动态监控方法 |
| CN111783665A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(西安)科技有限公司 | 一种动作识别方法、装置、存储介质和电子设备 |
| CN112052746A (zh) * | 2020-08-17 | 2020-12-08 | 北京大米科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220335727A1 (en) * | 2021-03-05 | 2022-10-20 | Tianiin Soterea Automotive Technology Limited Company | Target determination method and apparatus, electronic device, and computer-readable storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464883B (zh) | 一种自然场景下船舶目标自动检测识别方法与系统 | |
| Wang et al. | Data-driven based tiny-YOLOv3 method for front vehicle detection inducing SPP-net | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN105654067A (zh) | 一种车辆检测方法及装置 | |
| CN110852190B (zh) | 一种融合目标检测与手势识别的驾驶行为识别方法及系统 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN114424250A (zh) | 结构建模 | |
| CN107545263A (zh) | 一种物体检测方法及装置 | |
| CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
| CN111368634B (zh) | 基于神经网络的人头检测方法、系统及存储介质 | |
| CN105243356A (zh) | 一种建立行人检测模型的方法及装置及行人检测方法 | |
| CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
| CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
| CN114049572A (zh) | 识别小目标的检测方法 | |
| Geng et al. | An improved helmet detection method for YOLOv3 on an unbalanced dataset | |
| CN108710879B (zh) | 一种基于网格聚类算法的行人候选区域生成方法 | |
| CN106446784A (zh) | 一种图像检测方法及装置 | |
| CN106611158A (zh) | 人体3d特征信息的获取方法及设备 | |
| CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
| CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
| Wu et al. | Traffic sign detection based on SSD combined with receptive field module and path aggregation network | |
| CN116416503A (zh) | 一种基于多模态融合的小样本目标检测方法、系统及介质 | |
| CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
| CN113657414B (zh) | 一种物体识别方法 | |
| CN112733671A (zh) | 行人检测方法、装置及可读存储介质 |
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 |