[发明专利]基于深度神经网络的建筑室内人员检测方法及系统

说明书

本申请实施例公开了一种基于深度神经网络的建筑室内人员检测方法，包括：获取与建筑室内人员相关联的视频图像；对所述视频图像进行多路残差运算，获取所述视频图像对应的多尺度特征；基于所述多尺度特征进行特征融合，得到图像特征金字塔；对所述图像特征金字塔进行级联区域目标检测，得到所述视频图像的室内人员信息。其能够精确地获取建筑室内的人员数目以及这些人员的位置信息。还提出一种基于深度神经网络的建筑室内人员检测系统。

技术领域

本申请涉及建筑能效术领域，尤其涉及一种基于深度神经网络的建筑 室内人员检测方法、系统、电子设备及计算机可读介质。

背景技术

建筑室内人员信息对于建筑能效的分析与优化来说至关重要，。近年 来，越来越多的研究强调了利用建筑室内人员信息实现更好的建筑能效管 理。有几种方法证明了利用建筑室内人员信息可以实现建筑节能20-40％ 左右。例如，建筑室内人员信息可以支持模型预测控制-控制(MPC)优化 照明、暖通系统的运行，以及建筑物内的空调(HVAC)系统舒适的室内环 境。深入分析这些信息有助于获得准确的建筑能源性能模拟/预测，对整 个建筑的能源性能改善至关重要。然而，从某一包含数十名人员的建筑室 内视频图像中生成高质量的室内人员信息的技术挑战依然存在。

发明内容

本申请实施例提供一种基于深度神经网络的建筑室内人员检测方法、 系统、电子设备及计算机可读介质，其能够精确地获取建筑物内的人员数 目以及这些人员的定位信息。

本申请提供一种基于深度神经网络的建筑室内人员检测方法，包括：

获取与建筑室内人员相关联的视频图像；

对所述视频图像进行多路残差运算，获取所述视频图像对应的多尺度 特征，其中，所述多尺度特征包括深度、宽度和基数；

基于所述多尺度特征进行特征融合，得到图像特征金字塔；

对所述图像特征金字塔进行级联区域目标检测，得到所述视频图像的 室内人员信息，其中，所述室内人员信息包括目标对象以及目标对象的位 置信息。

在一些实施例中，所述对所述视频图像进行多路残差运算，获取所述 视频图像对应的多尺度特征，包括：

基于多路卷积残差神经网络对所述视频图像进行多路残差运算，获取 所述视频图像对应的多尺度特征，其中，所述多路卷积残差神经网络基于 残差函数训练得到。

在一些实施例中，所述残差函数为：

y＝T_i(x)+x，

其中，y是图像块，T_i(x)可以是一个任意函数，将输入向量x映射到 嵌入矩阵中并对其进行转置，所述残差函数由聚合变换函数得到，所述聚 合变换函数为，所述变量C表示所述基数。

在一些实施例中，所述基于所述多尺度特征进行特征融合，得到图像 特征金字塔，包括：

利用特征金字塔网络对所述多尺度特征进行特征融合，得到图像特征 金字塔，其中，所述特征金字塔网络为由自下而上、自上而下和横向连接 组成的网络结构。

在一些实施例中，所述对所述图像特征金字塔进行级联区域目标检 测，得到所述视频图像的室内人员信息，包括：利用级联区域深度卷积神 经网络对所述图像特征金字塔进行级联区域目标检测，以获得所述视频图 像的室内人员信息，其中所述级联区域深度卷积神经网络由区域推荐网络 和三个检测器级联而成，并由占用损失函数训练得到。

在一些实施例中，所述占用损失函数包括目标检测损失函数：

其中变量i表示锚点的索引，p_i表示预测的锚定是目标对象的概率， 是基真实值与正锚定的归一化，t表示级联级的阶段，N表示级联级的 总数。