[发明专利]训练静态人体检测模型的方法、人体检测方法及装置

说明书

本申请实施例涉及智能监测技术领域，公开了一种训练静态人体检测模型的方法、人体检测方法及装置，采用若干个静态热源样本，对预先设置的3D卷积神经网络进行迭代训练，直至3D卷积神经网络收敛，得到静态人体检测模型。其中，静态热源样本包括具有时序性的k帧红外图像，各静态热源样本均标注有真实标签，该真实标签反映静态热源样本中的静态热源属于静态人体热源或干扰热源。通过上述方式，使得3D卷积神经网络能够学习静态人体热源和干扰热源的单帧特征及时域特征，从而，训练得到的静态人体检测模型具备准确区分静态人体和干扰热源的能力，准确检测出未发生移动的人体，有效解决了干扰热源易误判为有人、静态人体存在而漏判的难点问题。

技术领域

本申请实施例涉及智能监测技术领域，尤其涉及一种训练静态人体检测模型的方法、人体检测方法及装置。

背景技术

伴随万物互联时代的来临，智慧生活已成为众多终端用户的向往，如何实现更加智能化的服务已成为热点。现如今智能家居中所注入的智慧监测服务备受青睐，而室内区域人体存在检测技术在弱势群体的智慧照护、智能家居的交互等方面发挥着至关重要的作用，因而近些年受到了广泛的关注。其中，利用非接触式智能感知方式对室内目标区域中的人体存在实现精准感应与识别，进而监测人员是否在目标区域中发生长时间滞留，对提升用户的身心健康以及家居的智能化程度具有重要价值。

然而，当背景中静态的干扰热源和人体的温度相近，人体未发生移动时，将难以区分物体和静态人体，容易将干扰热源误检为人体，静态人体存在漏判。

发明内容

有鉴于此，本申请一些实施例提供了一种训练静态人体检测模型的方法、人体检测方法及装置，使得训练得到的静态人体检测模型能够准确区分静态人体和干扰热源，准确检测出未发生移动的人体。

第一方面，本申请一些实施例中提供了一种训练静态人体检测模型的方法，包括：

获取若干个静态热源样本，静态热源样本包括k帧红外图像，k帧红外图像具有时序性，各静态热源样本均标注有真实标签，真实标签反映静态热源样本中的静态热源属于静态人体热源或干扰热源；

采用若干个静态热源样本，对预先设置的3D卷积神经网络进行迭代训练，直至3D卷积神经网络收敛，得到静态人体检测模型。

在一些实施例中，前述3D卷积神经网络包括依次级联的第一特征提取模块、第二特征提取模块和分类模块；

其中，第一特征提取模块用于提取静态热源样本中各个红外图像中的静态热源的大致形状特征；

第二特征提取模块用于提取静态热源样本中各个红外图像中的静态热源的温度分布特征以及静态热源样本中静态热源在时间维度上的变化特征；

分类模块用于对第二特征提取模块输出的特征图进行分类，输出属于静态人体热源的概率和属于干扰热源的概率。

在一些实施例中，前述第一特征提取模块包括多个3D卷积层，各3D卷积层后均设置有最大池化层。

在一些实施例中，前述第二特征提取模块包括多个级联的子模块，各子模块包括依次连接的多个3D卷积层，其中，最后一个3D卷积层后设置有最大池化层。

在一些实施例中，前述分类模块包括多个全连接层和softmax函数层，其中，相邻两个全连接层之间设置有Dropout层。

在一些实施例中，训练过程中所采用的损失函数包括：

其中，Loss为单个训练分支的损失，N为单个训练分支中的样本数量，w_n为第n个静态热源样本中检测到存在热斑的帧数占比，y_n为第n个静态热源样本对应的预测标签，为第n个静态热源样本对应的真实标签。

第二方面，本申请一些实施例中提供了一种人体检测方法，包括：