[发明专利]多姿态人体检测方法、计算机存储介质及电子设备

说明书

本发明提供了一种执法办案区场景下的多姿态人体检测方法、计算机存储介质及电子设备，所述方法，包括以下步骤：S1、在RefineDet的ARM分支中加入FSAF模块，构成FSAF‑RefineDet网络结构；S2、采集执法办案区场景下的人体图像数据，进行人体信息标注，并将人体信息标注后的所述人体图像数据划分为训练集和测试集；S3、对训练集进行旋转扩增；S4、对旋转扩增后的训练数据尺度归一化后进行随机增强和随机添加噪声；S5、对FSAF‑RefineDet网络进行训练，得到训练模型；S6、将训练模型在测试集上进行测试，选择识别精度最高的训练模型作为最终检测模型。根据本发明实施例的方法，有效减少算法在执法办案区场景下的误检率和漏检率，提高识别精度，且不增加模型的计算代价。

技术领域

本发明涉及人体检测领域，更具体地，涉及一种执法办案区场景下的多姿态人体检测方法、计算机存储介质及电子设备。

背景技术

在执法办案区场景下，办案民警需时刻监控犯罪嫌疑人是否存在异常行为，这往往需要办案民警同时监控多个执法办案区，这种做法费时费力且效率低下。为了提高公安民警在执法办案区场景下的监控效率，提出针对该场景下的一种异常行为识别分析系统，其通过监控视频对嫌疑人的行为进行实时的自动识别。该系统主要包括了人体检测，人体追踪以及行为识别算法。本发明主要是针对此应用场景开发的一个高精度，高效率的人体检测算法。

目前基于视频图像的人体检测技术主要分为两种，一种是基于传统机器学习方法，另一种是基于深度学习的方法。

基于传统机器学习的方法，通常是利用手工设计特征提取算子对图像进行特征提取，然后再将这些特征用于训练分类器，最后在多尺度的图像上使用滑动窗口的方式进行人体检测。例如：公开号为“CN104680134A”的发明专利，提出了一种快速的人体检测方法，其提取多尺度的HOG特征训练分类器，并采用三帧差分法确定运动区域，最后结合分类器和运动区域实现人体检测。公开号为“CN103455798A”的发明专利，提出了一种最大集合流向直方图的人体检测方法，其通过对图像进行二维小波变换，划分带波bandelet块，获取采样角排序索引，最佳几何流方向以及条带波系数矩阵，进而统计个方向特征训练分类器，最后通过滑动窗口提取特征并分类的方式实现人体检测。公开号为“CN110046601A”的发明专利提出了一种针对十字路口场景的行人检测方法，其通过平均背景模型算法建立十字路口场景的背景模型，并采用adaboost算法提取局部shapelet特征，利用改进的级联分类器训练各部位的强分类器，然后再利用KBS算法组合为最终的分类器，以实现人体检测。公开号为“CN105913026A”的发明专利公开了一种基于Harr-PCA特征和概率神经网络的行人检测方法，其首先提取样本Haar特征，然后使用PCA进行降维，最后把降维后的特征输入概率神经网络进行训练进而得到行人检测器。该类方法由于人工设计的特征描述子提取的特征表示能力有限，对于复杂多样的执法办案区场景，难以提供鲁棒的特征表示，进而难以获得高精度的人体检测。