[发明专利]一种基于视频图像的室内人员检测方法

说明书

本发明涉及一种监控条件下的室内人员检测方法，包括以下步骤：样本集的建立；输入样本预处理：输入样本逐一进行标注，对人体目标的上半身部分进行标注，利用区域建议思想对上述得到的标注样本进行预处理，作为整个网络模型的数据输入；目标特征提取；可变形处理：根据监控条件下室内人员大部分为上半身可见的特点，基于可变形部件的算法思想设计对应的部件模型，对图像中人体目标进行特征提取后得到特征映射图，将其经过可变形处理层，通过与相应的部件滤波器进行卷积运算，得到对应的部件特征映射图，计算部件的映射分数；完成分类判别；网络模型训练。

技术领域

本发明涉及计算机视觉领域中的人体目标检测任务，尤其是对监控条件下的室内人体目标检测具有良好的效果。

背景技术

在当今高速发展的社会，各行各业中不稳定因素日益增多，安全问题受到人们越来越多的关注，尤其是安防领域。对于一些国家重要安全部门来说，如果值班人员擅自离岗，很有可能造成不可估量的损失。为了应对这种情形，大部分企业及部门采取人工查岗的方式。随着视频监控技术的不断发展，智能视频监控应运而生，人工查岗的方式也逐渐被采用视频监控的手段替代。通过有效地进行视频监控中的室内人员检测，可以有效防止空岗行为带来的潜在风险，在安防等相关领域中具有十分重要的意义。

随着计算机视觉技术的不断发展，目标检测的研究方向得到了越来越多的关注，尤其是人体目标检测，国内外已做过大量的相关研究，而且大部分是针对室外开阔环境中的行人目标。一般来说，人体目标检测算法主要由图像预处理、特征提取、分类判别等部分组成，其中，特征提取和分类器设计又是关键部分。特征提取主要包括手工设计的传统特征和通过网络学习到的特征两种。传统特征方面，第一阶段主要以梯度直方图HOG特征为代表，主要描述人体目标的外形边缘信息，后来也有人将描述纹理信息的局部二值模式LBP特征添加进来，类似的还有颜色、深度特征等；第二阶段则以积分通道特征ICF为代表，将原图分成三个通道，后续的ACF、LDCF等方法也是基于这种思路；第二类是通过网络自主学习特征的方法；后续也有方法将手工设计的传统特征和神经网络特征结合，提高对目标的特征表征能力，提升算法的检测性能。分类器的设计部分，常用的有支持向量机、基于提升思想的Boosting算法、可变形部件模型DPM、构建神经网络的方法等。

现在，随着深度学习的不断发展，越来越多的研究人员转向利用神经网络的方法实现目标检测等任务，主要可以分为两阶段模型和单阶段模型，前者主要以RCNN系列为代表，后者则以YOLO系列、SSD等网络模型为代表，后续也有根据实际应用环境特点进行多尺度处理等的算法模型，提升不同环境下算法的目标检测性能。

监控条件下的室内人员检测，研究特点则与之不同。针对室内人员检测任务，视频图像中的人体目标多与摄像头呈一定倾角，采集图像的范围小，其中往往只呈现出部分人体目标，非完整可见，除了常见的正面和背面视角外，更多的是侧面视角，而且姿态多样，常存在不同程度的变形，受到植物、桌椅等周围环境的遮挡、复杂背景的干扰等，现有的大部分研究方法并不适合这种应用场景。

发明内容

本发明的目的在于提出一种适应于监控条件下室内人体目标检测任务的方法。本发明的技术方案如下：

一种监控条件下的室内人员检测方法，包括以下步骤：

1)样本集的建立：采集用于室内人员检测的相关监控视频，对原始视频进行适当选择并截取其中的视频片段，基于保证样本多样性的前提选择并提取视频帧，作为训练和测试样本；

2)输入样本预处理：输入样本逐一进行标注，对人体目标的上半身部分进行标注，利用区域建议思想对上述得到的标注样本进行预处理，作为整个网络模型的数据输入；

3)目标特征提取：将经过预处理的样本输入特征提取层，进行相应的卷积运算，提取其目标特征，包括亮度、颜色、边缘和梯度信息等；