[发明专利]一种基于准确人车分离的警戒方法及装置

权利要求书

1.一种基于准确人车分离的警戒方法，其特征在于，包括：

1)利用背景建模技术获取警戒区域中的运动区域，使用团块检测方法确定出候选区域，根据候选区域扣取送检图像的ROI；

2)将扣取的送检图像送入训练好的深度学习检测网络，对图像中的人、车进行检测和识别，输出其外接矩形、类别以及置信度。

2.根据权利要求1所述的一种基于准确人车分离的警戒方法，其特征在于，步骤1)的具体方法包括利用背景建模技术得到前景图像，使用团块检测方法，把相邻的前景点进行目标融合，并取其外接矩形作为运动团块，并根据运动团块的尺寸比以及团块内前景点数占总像素数的比例排除掉与人、车差异较大的团块，把剩下的作为作为候选区域，根据候选区域扣取送检图像。

3.根据权利要求1所述的一种基于准确人车分离的警戒方法，其特征在于，步骤2)所述检测的方法包括：

201)构建人车训练数据集；

202)根据人车特征构建深度学习训练网络架构；

203)配置训练参数开始训练；

204)用训练模型对人车进行检测。

4.根据权利要求3所述的一种基于准确人车分离的警戒方法，其特征在于，步骤201)所述构建人车训练数据集的具体方法包括：从海量警戒相机抓拍图像中，获取不同角度、不同光照情况下具有触发警戒报警条件的人、车图像，将原始1920X1080像素图像缩放到1080X720、540X360，得到三组多尺度图像，对每副图像以最小边作为边长，分别对每一张图像从左右截取两张正方形图像作为训练图像，随后使用标注工具在图像中标注人、车的位置和类别，生成xml格式的标注文件，将图像保存作为数据集，取80％的数据作为训练数据集，其余数据作为测试集。

5.根据权利要求3所述的一种基于准确人车分离的警戒方法，其特征在于，步骤202)所述根据人车特征构建深度学习训练网络架构的方法包括：构建的网络分为特征提取与多融合检测两部分，特征提取网络从第二层开始采用Conv3*3与conv1*1的交替的卷积网络结构，将一层得到的64个feature map，分成两组每组各32个，将第二层的128个3*3的filter也分成两组，各自与对应的feature map做卷积运算，然后用1*1的filter将两组卷积运算得到的feature map串联起来得到新的featuer map作为检测层和下一层卷积的输入，后面层计算方式与此相同，多融合检测部分收集不同尺寸的feature map，利用预测框的位置(x,y,w,h)与置信度confidence跟真实值的位置进行计算损失，得到mbox_loss，最终输出使得损失值最小的(x,y,w,h)与confidence，并通过输出的confidence向量判断目标框所属的类别。

6.一种基于准确人车分离的警戒装置，其特征在于，包括：

扣取模块，用于利用背景建模技术获取警戒区域中的运动区域，使用团块检测方法确定出候选区域，根据候选区域扣取送检图像的ROI；

深度学习模块，用于将扣取的送检图像送入训练好的深度学习检测网络，对图像中的人、车进行检测和识别，输出其外接矩形、类别以及置信度。

7.根据权利要求6所述的一种基于准确人车分离的警戒装置，其特征在于，所述扣取模块具体用于：利用背景建模技术得到前景图像，使用团块检测方法，把相邻的前景点进行目标融合，并取其外接矩形作为运动团块，并根据运动团块的尺寸比以及团块内前景点数占总像素数的比例排除掉与人、车差异较大的团块，把剩下的作为作为候选区域，根据候选区域扣取送检图像。

8.根据权利要求6所述的一种基于准确人车分离的警戒装置，其特征在于，所述深度学习模块包括：

数据集单元，用于构建人车训练数据集；

架构单元，用于根据人车特征构建深度学习训练网络架构；

训练单元，用于配置训练参数开始训练；

检测单元，用于使用训练模型对人车进行检测。