[发明专利]一种面向移动端实时应用的人体目标检测方法及系统

说明书

本发明公开了一种面向移动端实时应用的人体目标检测方法及系统，属于人工智能领域。针对现有移动端人体检测精度和实时性差的问题，本发明提供一种面向移动端实时应用的人体目标检测方法，它包括以下步骤：采集数据并进行预处理；将预处理过后的数据输入至深度学习框架进行训练得到网络模型文件；将网络模型文件部署到移动端，完成对人体的检测并输出结果。本发明的深度学习框架对数据进行训练以此来优化适应移动端，方便后续移动端的部署，空间金字塔池化和特征金字塔结构可以大幅度增加对远景小目标及遮挡情况的准确检测，提高精测精度，且特征提取网络在部署至移动端可以在设备已有的计算资源下保证实时性，整体方法运行简单，适应性广。

技术领域

本发明属于人工智能技术领域，更具体地说，涉及一种面向移动端实时应用的人体目标检测方法及系统。

背景技术

目前高速运动相机在智能驾驶、智慧城市和智能安防等方面运用的越来越广，为了确保各应用场景的可靠性，需要对人体准确检测并提高检测速度。由于城市、道路等环境的复杂性，人体之间存在相互遮挡且在远景视野中成像较小，造成现有检测方式的检测效果不理想。对智能驾驶、智能安防等移动端实时应用的推进已经构成主要影响问题。现有的移动端检测人体的方法主要分为传统算法和基于深度学习两类。基于深度学习的目标检测部署时，例如Faster RCNN(Faster Regions with CNN features)，SSD(Single ShotMultiBox Detector)，YOLO(You Only Look Once)等网络结构，受到部署设备的性能要求、传感器的帧率影响、网络结构复杂等诸多因素影响，检测人体目标时，往往设备性能和网络结构复杂度难以平衡，无法达到功耗小、网络结构轻便、实时检测精度高的目的。基于传统算法的方法在部署时功耗可以满足需求，但是难以检测精度不足，难以保障智慧城市、智能驾驶的有效部署。综上所述，现有的移动端检测方法无法对以高速运动相机为传感器进行高精度、实时的检测，缺乏对较远目标、遮挡目标的有效检测，缺乏对不同数据的自适应能力。

针对上述问题也进行了相应的改进，如中国专利申请号CN202010690770.9，公开日为2020年10月27日，该专利公开了一种用于移动端的轻量级目标检测方法及系统，属于深度学习目标检测领域；所述的方法具体步骤如下：S1利用MOGO-SSD网络架构搭建Depthwise与Pointwise的组合卷积；S2利用ImageNet数据集进行权重预训练；S3保留训练后的参数，作为预训练模型进行二次优化；S4将二次优化后的训练模型用于目标数据检测。该专利的不足之处在于：虽能在一定程度上改善检测精度，但整体的实时性以及适用性较窄。

又如中国专利申请号CN201811149138.2，公开日为2019年3月1日，该专利公开了一种移动目标中人体视觉检测方法，包括以下步骤：从实时监控视频中提取视频帧；对所述视频帧进行处理，获取移动目标的前景图像；将所述移动目标的前景图像转换成二值化图；计算所述二值化图的前景的高宽比、周长、面积比和复杂度，判断所述移动目标是否为人体；若所述移动目标不是人体，则返回步骤一；若所述移动目标是人体，则继续下一步；警示。其能够利用图像处理技术完成对进入到监控画面中的人体目标的识别，检测室内是否遭到非法侵入，经济实用。该专利的不足之处在于：整个方法检测精度有限，且整体鲁棒性较差。

发明内容

1、要解决的问题

针对现有移动端人体检测精度和实时性差的问题，本发明提供一种面向移动端实时应用的人体目标检测方法及系统。本发明的方法通过深度学习框架对数据进行训练以此来优化适应移动端，方便后续移动端的部署，空间金字塔池化和特征金字塔结构可以大幅度增加对远景小目标及遮挡情况的准确检测，提高精测精度，且特征提取网络在部署至移动端可以在设备已有的计算资源下保证实时性，整体方法运行简单，适应性广。本发明的系统构成简单，在满足低功耗的同时保证检测精度以及增强对数据的自适应能力。

2、技术方案

为解决上述问题，本发明采用如下的技术方案。