CN113111681B - 一种降低人形上半身检测误报的方法 - Google Patents
一种降低人形上半身检测误报的方法 Download PDFInfo
- Publication number
- CN113111681B CN113111681B CN202010022359.4A CN202010022359A CN113111681B CN 113111681 B CN113111681 B CN 113111681B CN 202010022359 A CN202010022359 A CN 202010022359A CN 113111681 B CN113111681 B CN 113111681B
- Authority
- CN
- China
- Prior art keywords
- detection
- frame
- human
- body detection
- upper 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
Abstract
本发明提供一种降低人形上半身检测误报的方法,包括以下步骤:S1.获取移动物体检测框;a使用运动历史检测当前帧中的运动目标,进行形态学处理得到前景图像;b轮廓提取所述前景图像以确定当前帧的每一个所述运动目标的轮廓。S2.如果当前帧中有运动,即移动检测框个数大于0,进行全帧人形检测;S3.如果当前帧中没有运动,直接跳过此帧,回到S1,进行下一帧检测。
Description
技术领域
本发明涉及智能监控视频处理领域,特别涉及一种降低人形上半身检测误报的方法。
背景技术
随着科技的不断发展,特别是计算机视觉技术的发展,智能识别技术广泛应用于包括视频监控等各个领域,图像特征提取方法具有良好的识别性能。此外,人形上半身检测也随着智能识别领域的发展而越来越受到广泛关注。
现有技术中的常用术语包括:
上半身检测:即检测包含人体的头部到胳膊肘至肩部中间位置。
级联卷积网络:就是设计N阶网络,由粗到精对任务进行处理。
MTCNN,(Multi-task convolutional neural network,多任务卷积神经网络),将人脸区域检测与人脸关键点检测放在了一起,基于cascade框架。总体可分为第一阶段P-Net、第二阶段R-Net、和第三阶段O-Net三层网络结构。而人形检测与人脸检测也有很多类似的地方。
在现有技术中,人形检测是视频监控或视频结构化中必备模块,误报问题不可能从算法模型层面完全避免,但怎样很好的处理误报的问题也成为能够真正应用落地的关键。比如一个盆栽一个酒瓶因为和人体结构具有相似性会一直误报,增加样本会减少一定的误报,但是会导致特征相似的正检率下降,因此亟待需要有新的方法的提出来解决现有问题。
嵌入式端级芯片因为算力受限,神经网络模型设计必须短小精悍,这就会导致误报很多,加上误报问题不可能从根本上去解决,因为样本数据不可能把所有情况考虑到也不可能全部获取到。误报导致报警系统频繁推送报警信息,导致体验很差,项目实践落地困难。
发明内容
为了解决上述问题,本发明的目的在于:使用一种特殊的移动和人体上半身检测结合的方法,有效去除静止状态下的误报,而不损失正常状态的使用体验,因为人出现在画面中总要有个运动过程,并且此方法可以在细微运动的时候仍能够进行有效的人形上半身检测,从而此方法能避免报警系统频繁推送报警信息,解决实践应用困难的问题。
具体地,本发明提供一种降低人形上半身检测误报的方法,包括以下步骤:
S1.获取移动物体检测框;
S2.如果当前帧中有运动,即移动检测框个数大于0,进行全帧人形检测;
S3.如果当前帧中没有运动,直接跳过此帧,回到S1,进行下一帧检测。
所述的S1进一步包括:
a使用运动历史检测当前帧中的运动目标,进行形态学处理得到前景图像;
b轮廓提取所述前景图像以确定当前帧的每一个所述运动目标的轮廓。
所述的S2中的人形上半身检测,不是基于运动检测框而是全帧进行人形检测,因为运动检测会有很多中空或局部运动导致物体零碎不能构成一个整体,如果基于运动检测框会导致人形检测失效。
所述的S2进一步包括:如果人形上半身检测框个数等于0,跳过此帧,回到S1进行下一帧检测。
所述方法利用上半身检测和移动检测框配合,同时考虑到上半身检测框和移动检测框的面积和交集的面积。
所述的S2进一步包括:如果人形上半身检测框个数大于0,则
(1)求所有运动检测框与人形上半身检测框的交集;
(2)求交集的面积;
(3)求交集的面积分别占运动检测框或人形上半身检测框的比例,分别表示为Ratio1,Ratio2;
(4)如果Ratio1或者Ratio2都大于阈值,这个人形上半身检测框进行保留,否则认为是误检。
其中,所述的阈值为0.5。
由此,本申请的优势在于:通过本方法,用运动历史检测获取移动检测框,可以最大程度的保证所检测人体的完整性并且保存人体的微小运动;利用上半身检测是考虑到下身遮挡并且如果考虑下半身姿态会非常复杂比如各种坐姿站姿,会导致模型训练不出来,同时考虑到上半身检测框和移动检测框的面积和交集的面积,能够保证微小运动下也能保存上半身检测框。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。
图1是本发明方法的示意流程图。
具体实施方式
为了能够更清楚地理解本发明的技术内容及优点,现结合附图对本发明进行进一步的详细说明。
本发明涉及一种降低人形上半身检测误报的方法,方法流程如图1所示,其中方法的主要实施步骤如下:
步骤S1.获取移动物体检测框,具体的:
a使用运动历史方法检测当前帧中的运动目标,进行形态学处理得到前景图像;
b轮廓提取所述前景图像以确定当前帧的每一个所述运动目标的轮廓;
步骤S2.如果当前帧中有运动,即移动检测框个数大于0,进行全帧人形检测
a人形上半身检测,特别的不是基于运动检测框而是全帧进行人形检测,因为运动检测会有很多中空或局部运动导致物体零碎不能构成一个整体,如果基于运动检测框会导致人形检测失效;
b如果人形上半身检测框个数等于0,跳过此帧,回到步骤1进行下一帧检测;
c如果人形上半身检测框个数大于0
(1)求所有运动检测框与人形上半身检测框的交集
(2)求交集的面积
(3)求交集的面积分别占运动检测框或人形上半身检测框的比例Ratio1,Ratio2
(4)如果Ratio1或者Ratio2都大于阈值,这个人形上半身检测框进行保留,否则可以认为是误检;
步骤S3.如果当前帧中没有运动,直接跳过此帧,回到步骤S1,进行下一帧检测。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种降低人形上半身检测误报的方法,其特征在于,所述方法利用上半身检测和移动检测框配合,同时考虑到上半身检测框和移动检测框的面积和交集的面积;包括以下步骤:
S1.获取移动物体检测框;所述的步骤S1进一步包括:
a使用运动历史检测当前帧中的运动目标,进行形态学处理得到前景图像;
b轮廓提取所述前景图像以确定当前帧的每一个所述运动目标的轮廓;
S2.如果当前帧中有运动,即移动检测框个数大于0,进行人形检测;所述的步骤S2进一步包括:如果人形上半身检测框个数大于0,则
(1)求所有运动检测框与人形上半身检测框的交集;
(2)求交集的面积;
(3)求交集的面积分别占运动检测框或人形上半身检测框的比例,分别表示为Ratio1,Ratio2;
(4)如果Ratio1或者Ratio2都大于阈值,这个人形上半身检测框进行保留,否则认为是误检;
S3.如果当前帧中没有运动,直接跳过此帧,回到步骤S1,进行下一帧检测。
2.根据权利要求1所述的一种降低人形上半身检测误报的方法,其特征在于,所述的步骤S2中,人形上半身检测不是基于运动检测框而是全帧人形检测,因为运动检测会有中空或局部运动导致物体零碎不能构成一个整体,如果基于运动检测框会导致人形检测失效。
3.根据权利要求1所述的一种降低人形上半身检测误报的方法,其特征在于,所述的步骤S2进一步包括:如果人形上半身检测框个数等于0,跳过此帧,回到步骤S1进行下一帧检测。
4.根据权利要求1所述的一种降低人形上半身检测误报的方法,其特征在于,所述阈值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022359.4A CN113111681B (zh) | 2020-01-09 | 2020-01-09 | 一种降低人形上半身检测误报的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022359.4A CN113111681B (zh) | 2020-01-09 | 2020-01-09 | 一种降低人形上半身检测误报的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111681A CN113111681A (zh) | 2021-07-13 |
CN113111681B true CN113111681B (zh) | 2024-05-03 |
Family
ID=76708578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010022359.4A Active CN113111681B (zh) | 2020-01-09 | 2020-01-09 | 一种降低人形上半身检测误报的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111681B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN109033924A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种视频中人形检测的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921874B (zh) * | 2018-07-04 | 2020-12-29 | 百度在线网络技术(北京)有限公司 | 人体跟踪处理方法、装置及系统 |
-
2020
- 2020-01-09 CN CN202010022359.4A patent/CN113111681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
CN109033924A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种视频中人形检测的方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于人体图模型和背景减除的姿势估计;费兰英等;《苏州大学学报(工科版)》(第第3期期);第8-14页 * |
基于混合高斯和HOG+SVM的行人检测模型;龚露鸣等;《上海大学学报(自然科学版)》(第第3期期);第341-351页 * |
龚露鸣等.基于混合高斯和HOG+SVM的行人检测模型.《上海大学学报(自然科学版)》.2018,(第第3期期),第341-351页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113111681A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146921B (zh) | 一种基于深度学习的行人目标跟踪方法 | |
CN108960076B (zh) | 基于卷积神经网络的耳朵识别与跟踪方法 | |
US20100066761A1 (en) | Method of designating an object in an image | |
EP4053735A1 (en) | Method for structuring pedestrian information, device, apparatus and storage medium | |
CN108710879B (zh) | 一种基于网格聚类算法的行人候选区域生成方法 | |
CN113191216B (zh) | 基于姿态识别和c3d网络的多人实时动作识别方法和系统 | |
Tsuda et al. | Extracting straight lines by sequential fuzzy clustering | |
CN113111681B (zh) | 一种降低人形上半身检测误报的方法 | |
CN113095120B (zh) | 一种实现降低人形上半身检测误报的系统 | |
Li et al. | Human posture recognition using multi-scale morphological method and Kalman motion estimation | |
CN109359543B (zh) | 一种基于骨骼化的人像检索方法及装置 | |
CN110427920B (zh) | 一种面向监控环境的实时行人解析方法 | |
Yoon et al. | Human computer interface for gesture-based editing system | |
Li et al. | Application of thermal infrared imagery in human action recognition | |
Sun et al. | PIDNet: An efficient network for dynamic pedestrian intrusion detection | |
Chen et al. | CAGn: High-Order Coordinated Attention Module for Improving Fall Detection Models | |
Rathod et al. | Performance enhancement of deep learning-based face detection system | |
Chen et al. | A bio-inspired event-based size and position invariant human posture recognition algorithm | |
Chen et al. | CNN Based Touch Interaction Detection for Infant Speech Development | |
CN216871243U (zh) | 一种违规行为ai识别系统 | |
CN117173794B (zh) | 一种适合边缘设备部署的行人重识别方法 | |
Hung et al. | A Real-time Action Detection System for Surveillance Videos Using Template Matching. | |
Wang et al. | A Dynamic Gesture Recognition Algorithm based on Feature Fusion from RGB-D Sensor | |
CN109977890B (zh) | 一种动作识别的方法及其识别系统 | |
Jiang | An Improved Neural Network Model Based on Visual Attention Mechanism for Object 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 | ||
GR01 | Patent grant |