申请/专利权人：华南理工大学

申请日：2020-11-24

公开（公告）日：2024-03-22

公开（公告）号：CN112381032B

主分类号：G06V20/52

分类号：G06V20/52;G06V10/25;G06V10/774;G06V10/82;G06N3/0442;G06N3/047;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：本发明公开了抗人体姿态干扰的室内无人值守快速检测方法。所述方法包括以下步骤：收集图像并进行标定，生成原始训练集；对图像进行预处理，生成综合扩增训练集；随机选取类别数为n的非人体普通物体的图片作为数据来预训练一个物体检测的多分类模型，获得模型参数初始化值；将预训练得到的模型参数来初始化人体检测模型的部分参数，并将人体检测模型的分类结构改为二分类；将得到的综合扩增训练集作为输入训练集，对改变分类结构后的人体检测模型进行训练；获取待检测图像，对待检测图像进行预处理并训练完成的人体检测模型，完成抗人体姿态干扰的室内无人值守快速检测。本发明可以在很大程度上克服人体姿态干扰的问题。

主权项：1.抗人体姿态干扰的室内无人值守快速检测方法，其特征在于，包括以下步骤：S1、数据收集阶段：收集图像并进行标定，生成原始训练集；S2、数据预处理阶段：对步骤S1中收集到的图像进行预处理，实现数据扩充，生成综合扩增训练集；包括以下步骤：S2.1、对步骤S1中标定的图片随机进行缩放、平移、旋转或镜面对称的变换操作；S2.2、对进行变换操作后的图片继续进行高斯滤波，得到扩增训练集；S2.3、对变换前后的所有数据进行整合，最终得到综合扩增训练集；S3、预训练阶段：随机选取类别数为n的非人体普通物体的图片作为数据来预训练一个物体检测的多分类模型，获得模型参数初始化值；使用大型公开数据集MSCOCO，随机选择类别数为n的非人体普通物体的图片作为预训练数据；使用YOLOv3神经网络对与预训练数据进行训练，并将分类类别调整为n+1，其中n类为非人体普通物体，1类为背景，训练得到一个物体检测的多分类模型；YOLOv3神经网络将输入图像分成S×S网格，每个网格单元仅预测一个对象，即某一种类的物体；S4、训练阶段：将步骤S3中预训练得到的模型参数来以迁移学习的方式初始化人体检测模型的部分参数，并将人体检测模型的分类结构改为二分类；使用步骤S3中预训练得到的多分类模型，以迁移学习的方式初始化人体检测模型的参数；同时在YOLOv3模型中增加可以拟合人体躺卧姿势的anchorbox超参数，使用YOLOv3神经网络作为训练的主体框架，并将最终的分类结构改为二分类，且改用logistic分类器和二元交叉熵损失函数来替代YOLOv3神经网络原先的softmax层和损失函数，降低计算复杂度；S5、训练阶段：将步骤S2中的得到的综合扩增训练集作为输入训练集，对步骤S4中改变分类结构后的人体检测模型进行训练；S6、测试阶段：获取待检测图像，对待检测图像进行预处理并输入步骤S5中训练完成的人体检测模型，完成抗人体姿态干扰的室内无人值守快速检测。

全文数据：

权利要求：

百度查询： 华南理工大学 抗人体姿态干扰的室内无人值守快速检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD