[发明专利]人体识别方法、装置、计算机设备及存储介质

权利要求书

1.人体识别方法，其特征在于，包括：

获取来自无人机上的摄像机拍摄的实时图像数据，以得到待识别图像数据；

将待识别图像数据输入目标识别模型进行识别，以得到识别结果；

将识别结果发送至无人机，以使得无人机对识别结果进行对应的操作；

其中，目标识别模型是通过若干带有类别标签、定位标签以及置信度标签的图像数据训练深度卷积神经网络所得的。

2.根据权利要求1所述的人体识别方法，其特征在于，所述目标识别模型是通过若干带有类别标签、定位标签以及置信度标签的图像数据训练深度卷积神经网络所得的，包括：

获取若干带有类别标签、定位标签以及置信度标签的图像数据，以得到样本集；

构建深度卷积神经网络以及损失函数；

对样本集进行分割，以得到样本网格单元集；

将样本网格单元集对深度卷积神经网络进行卷积训练，以得到训练结果；

利用损失函数对训练结果、类别标签、定位标签以及置信度标签进行计算损失值；

判断所述损失值是否超过阈值；

若是，则调整深度卷积神经网络的参数，并返回所述将样本网格单元集对深度卷积神经网络进行卷积训练，以得到训练结果；

若否，则将所述深度卷积神经网络作为目标识别模型。

3.根据权利要求2所述的人体识别方法，其特征在于，所述将样本网格单元集对深度卷积神经网络进行卷积训练，以得到训练结果，包括：

利用深度卷积神经网络对样本网络单元集进行边界框的预测，以得到若干样本边界框；

利用深度卷积神经网络对若干样本边界框进行预测置信度得分，以得到置信度值；

利用深度卷积神经网络对若干样本边界框进行相关数值的预测，以得到若干定位坐标、样本边界框尺寸以及人体出现在样本边界框内的概率；

利用深度卷积神经网络内的逻辑分类器对样本网络单元集确定各类别的概率，以得到类别概率；

根据所述类别概率获取样本网络单元对应的类别；

整合所述置信度值、若干定位坐标、样本边界框尺寸、人体出现在样本边界框内的概率以及样本网络单元对应的类别，以得到训练结果。

4.根据权利要求3所述的人体识别方法，其特征在于，所述利用损失函数对训练结果、类别标签、定位标签以及置信度标签进行计算损失值，包括：

利用损失函数对样本网络单元对应的类别以及类别标签计算对应方差，以得到分类损失值；

利用损失函数对若干定位坐标以及定位标签计算对应方差，以得到定位损失值；

利用损失函数对置信度值以及置信度标签计算对应方差，以得到置信度损失值；

整合所述分类损失值、定位损失值以及置信度损失值，以得到损失值。

5.根据权利要求2所述的人体识别方法，其特征在于，所述深度卷积神经网络包括13个卷积层。

6.根据权利要求2所述的人体识别方法，其特征在于，所述深度卷积神经网络的输入大小为416×416个图像数据。

7.人体识别装置，其特征在于，包括：

实时图像数据获取单元，用于获取来自无人机上的摄像机拍摄的实时图像数据，以得到待识别图像数据；

数据识别单元，用于将待识别图像数据输入目标识别模型进行识别，以得到识别结果；

结果发送单元，用于将识别结果发送至无人机，以使得无人机对识别结果进行对应的操作。

8.根据权利要求7所述的人体识别装置，其特征在于，还包括：

模型获取单元，用于通过若干带有类别标签、定位标签以及置信度标签的图像数据训练深度卷积神经网络，以得到目标识别模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至6中任一项所述的方法。