[发明专利]对室内近距离行人进行识别的方法、装置、介质和机器人

权利要求书

1.一种对室内近距离行人进行识别的方法，其特征在于，包括以下步骤：

步骤1，采集室内的近距离行人图像，并对所述近距离行人图像进行预处理，形成训练集；

步骤2，构建行人检测网络模型，所述行人检测网络模型包括基于YOLO-spp算法的骨干网络和检测头模块；

步骤3，采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数；

步骤4，采集室内的实时行人图像，并基于训练完成的行人检测网络模型对所述实时行人图像中的行人位置和行人尺寸进行检测。

2.根据权利要求1所述对室内近距离行人进行识别的方法，其特征在于，所述骨干网络的网络结构按计算单元处理顺序为：

第一卷积层，输入尺寸416*416*3，卷积核大小为3*3，步长为2，输出尺寸208*208，输出特征通道数为32通道；

第二卷积层，输入尺寸208*208*32，卷积核大小为3*3，步长为2，输出尺寸104*104，输出特征通道数为64通道；

第一空间金字塔池化层，步长为2，包括池化窗口为7*7和11*11的两个最大池化层；

第三卷积层，输入尺寸为52*52*256，卷积核大小为3*3，步长为2，输出尺寸26*26，输出特征通道数为256通道；

第四卷积层，输入尺寸为26*26*256，卷积核大小为3*3，步长为2，输出尺寸13*13，输出的特征通道数为256通道；

第二空间金字塔池化层，步长为1，包括池化窗口为3*3、7*7以及11*11的三个最大池化层，输出特征图为13*13*1024。

3.根据权利要求2所述对室内近距离行人进行识别的方法，其特征在于，所述采用训练集的图像对行人检测网络模型进行训练，优化行人检测网络模型的网络参数，具体包括以下步骤：

S301，对所述行人检测网络模型进行初始化，生成初始权重和初始偏置；

S302，将所述训练集的图像作为样本数据输入到初始化后的行人检测网络模型，通过所述骨干网络提取输入图像的行人特征图，并通过所述检测头模块生成行人特征图中每个点的行人尺寸预测值和行人中心点位置预测值；

S303，采用预设损失函数计算损失值，降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述行人检测网络模型的权重和偏置进行更新，直至达到预设迭代停止条件，生成训练完成的行人检测网络模型。

4.根据权利要求3所述对室内近距离行人进行识别的方法，其特征在于，所述预设损失函数为：

Loss＝Loss_Center+Loss_HW；

Loss_Center＝center_true*log(center_pre)+(1-center_true)*log(1-center_pre)；

Loss_HW＝(HW_true-HW_pre)^²，

其中，center_true为行人中心点位置目标值，center_pre为行人中心点位置预测值，HW_true为行人尺寸目标值，HW_pre为行人尺寸预测值。

5.根据权利要求1-4任一所述对室内近距离行人进行识别的方法，其特征在于，所述采集室内的近距离行人图像，并对近距离行人图像进行预处理，形成训练集具体包括以下步骤：

S101，通过室内移动机器人的摄像头在各个室内场景随机采集近距离行人图像；

S102，对所述近距离行人图像中的行人采用方框进行标注，并获取每个方框的第一坐标信息；

S103，对所述近距离行人图像的上下两端随机裁剪0～10％尺寸，并按照裁剪比例调整每个方框的初始坐标信息，生成每个方框的第二坐标信息；

S104，在所述近距离行人图像的每个方框处标记对应的第二坐标信息，形成训练集。