[发明专利]近距离人体检测的数据集处理方法及近距离人体检测方法

说明书

本发明涉及数据集处理技术领域，提供一种近距离人体检测的数据集处理方法及近距离人体检测方法，所述数据集处理方法包括：步骤100，遍历数据集，一一读取带有标注信息的图片；步骤200，读取单一图片的标注信息，提取类别为人体的图片，形成人体图片数据集；步骤300，对人体图片的数据集，依据标注信息筛选图片，形成目标数据集。本发明能够更适用近距离的单人场景，通过数据集的处理和筛选，利用本发明得到的数据集进行训练，提高此场景下人体检测的精度和速度。

技术领域

本发明涉及数据集处理技术领域，尤其涉及一种近距离人体检测的数据集处理方法及近距离人体检测方法。

背景技术

人体检测识别是深度学习视觉领域的一项重要技术，在智慧城市、智慧社区、智能安防、智慧校园、人机互动游戏等领域具有广泛应用。目前，深度学习视觉领域主要使用公开数据集，提取人体信息，进行深度学习算法训练和测试。

但是公开数据集场景复杂，分辨率不固定，标注类别很多，人体标注信息只是其中之一。公开数据集里的图片还会具有人体存在遮挡、距离太远、人体太小等问题，如果将公开数据集的图片直接使用在深度学习人体检测模型训练中，很难对近距离的场景产生很好的准确率。

同时，在很多人机互动游戏里，人体距离摄像头距离很近，大约只有二米到三米的距离，且人体检测算法主要检测最核心的一个人或二个人，且人体占据整个屏幕很大的面积。但是公开数据集图片里的人体个数及位置很不确定，例如数据集里人体只有一部分在图片里，或人体在图片里距离摄像头很远导致所占像素面积很小，或图片里人体太多(十多人以上)，人体重叠太严重。

综上所述，现有的数据集无法针对性的对近距离检测进行训练，无法对近距离场景的人体进行更为准确的检测，影响人体检测的准确性。

另外，在深度学习领域，出名的算法有单阶段的YOLO系列，Centernet；双阶段的Faster rcnn(faster regions with cnn features)等网络算法。神经网络的检测算法主要流程是：第一步，通过神经网络提取候选框；第二步，对候选框进行非最大抑制(Non-Maximum Supression，简称NMS)，过滤掉多余的候选框，得到最终的物体信息。

目前的人体检测方法，图片通过神经网络的检测算法，得到的是很多候选区域，区域可能彼此重叠，用的最多的是非最大抑制减少冗余的候选区域，筛选出最终的物体信息。采用非最大抑制算法，会大大加速网络的后处理时间，和专一的应用场景很难对应起来。

综上所述，现有的人体检测用神经网络算法，后处理太麻烦，需要多次遍历和计算，复杂度很大，难以适应近距离的少人场景。

发明内容

本发明主要解决现有的数据集无法针对性的对近距离检测进行训练，影响人体检测的准确性以及现有的人体检测用神经网络算法，后处理太麻烦，需要多次遍历和计算，难以适应近距离的少人场景等技术问题，提出一种近距离人体检测的数据集处理方法及近距离人体检测方法，以更适用近距离的单人场景，通过数据集的处理和筛选，利用本发明得到的数据集进行训练，提高此场景下人体检测的精度和速度。

本发明提供了一种近距离人体检测的数据集处理方法，包括以下过程：

步骤100，遍历数据集，一一读取带有标注信息的图片；

步骤200，读取单一图片的标注信息，提取类别为人体的图片，形成人体图片数据集；

步骤300，对人体图片的数据集，依据标注信息筛选图片，形成目标数据集；所述步骤300包括以下步骤301至步骤305：

步骤301，依据图片的标注信息，确定图片里的人体总数，根据人体总数筛选图片；

步骤302，依据图片的标注信息，读取人体标注方框信息，根据人体标注方框筛选图片；