一种基于深度学习的人流检测方法及系统技术方案

发明专利技术公开了一种基于深度学习的人流检测方法，包括以下步骤：采集人流的深度图和灰度图，对采集到的所述灰度图数据进行标注，并对人头进行分割处理，获取检测人头数据集；对所述深度图和灰度图进行处理，得到归一化的图像；将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数；根据所述最优参数神经网络模型和最优参数，在所述人头数据集中进行人流检测。本发明专利技术还公开了一种基于深度学习的人流检测系统，通过本发明专利技术解决了因人的姿态、外部环境影响而导致的对人流检测有较多漏检和误检，同时克服了因设备因素而导致输入设备的只能是一种类型的图像的技术问题。

A method and system of human flow detection based on deep learning

【技术实现步骤摘要】
一种基于深度学习的人流检测方法及系统
本专利技术涉及计算机视觉领域，特别是一种基于深度学习的人流检测方法和系统。
技术介绍
随着大数据和深度学习的发展，CNN(卷积神经网络)在图像信息处理上的优势正在被越来越多人所接受，相对于人工提取的特征，神经网络可以提供更丰富的特征，而且可以获取图像从细节特征到抽象特征的多种特征(细节特征到抽象特征：细节特征可以是图像的纹理波纹，抽象特征可以是具体的物体，比如人的鼻子，眼睛等)。现有的技术方案大多数都基于传统图像算法和依赖于激光等设备，容易受到人姿态和环境变化的影响，从而导致对人流的检测会有较多漏检和误检；而依赖于激光等设备的方案对于设备要求较高，输入设备的只能是一种类型的图像。如何避免因人的姿态、外部环境影响而导致的对人流检测有较多漏检和误检，以及克服因设备因素而导致输入设备的只能是一种类型的图像，成为亟需解决的问题。
技术实现思路
本专利技术的目的是提供一种基于深度学习的人流检测方法和系统，用于解决因人的姿态、外部环境影响而导致的对人流的检测有较多漏检和误检，以及克服因设备因素而导致输入设备的只能是一种类型的图像的技术问题。本专利技术提供的技术方案如下：一种基于深度学习的人流检测方法，包括以下步骤：采集人流的深度图和灰度图，对采集到的所述灰度图数据进行标注，并对人头进行分割处理，获取检测人头数据集；对所述深度图和灰度图进行处理，得到归一化的图像；将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数；根据所述最优参数神经网络模型和最优参数，在所述人头数据集中进行人流检测。进一步地，所述对所述深度图和灰度图进行处理，得到归一化的图像具体为：对所述深度图数据进行深度筛选，将深度筛选后的深度图和标注后的灰度图进行融合，获得新的三通道图像；将所述三通道图像减去均值，然后除以标准差得到归一化的图像。进一步地，所述将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数包括：设输入所述预先设置的神经网络模型的所述归一化图像为I，输出为Y，损失函数为L，图像长为IH，图像宽度为IW，图像的通道数为IC；对输入所述归一化的图像I进行卷积运算，得到多通道的特征图；对所述多通道的特征图进行batchnormal，将归一化的特征图用relu激励函数进行运算得到处理后的特征图T0；对所述归一化的图像进行2乘2下采样，得到IH/2和IW/2大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T；对所述归一化的图像进行4乘4下采样，得到IH/4和IW/4大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T1；对所述特征图T1进行上采样后和所述特征图T进行融合，将融合后的特征图进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到所述处理后的特征图T2。进一步地，在所述得到所述处理后的特征图T2之后，还包括：将特征图T0、T、T1、T2进行上采样，得到和输入图片一样尺寸的上采样特征图，将所述上采样特征图用1X1的卷积核进行卷积降维，得到一维的特征图，对所述一维的特征图进行卷积然后输出图像。进一步地，所述对所述神经网络模型进行训练，得出最优参数神经网络模型具体包括:采用交叉熵损失函数和BP算法，优化所述神经网络模型，得到最优参数神经网络模型，所述交叉熵损失函数为L＝-[IlogY+(1-I)log(1-Y)]。本专利技术还提供一种基于深度学习的人流检测系统，包括：采集模块，用于采集人流的深度图和灰度图，对采集到的所述灰度图数据进行标注，并对人头进行分割处理，获取检测人头数据集；处理模块，用于对所述深度图和灰度图进行处理，得到归一化的图像；训练模块，用于将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数；人流检测模块，用于根据所述最优参数神经网络模型和最优参数，在所述人头数据集中进行人流检测。进一步地，所述处理模块包括：融合单元，用于对所述深度图数据进行深度筛选，将深度筛选后的深度图和标注后的灰度图进行融合，获得新的三通道图像；归一化单元，用于将所述三通道图像减去均值，然后除以标准差得到归一化的图像。进一步地，所述训练模块，包括：神经网络模型设计单元，设输入所述预先设置的神经网络模型的所述归一化图像为I，输出为Y，损失函数为L，图像长为IH，图像宽度为IW，图像的通道数为IC；第一处理单元，用于对输入所述归一化的图像I进行卷积运算，得到多通道的特征图；对所述多通道的特征图进行batchnormal，将归一化的特征图用relu激励函数进行运算得到处理后的特征图T0；第二处理单元，用于对所述归一化的图像进行2乘2下采样，得到IH/2和IW/2大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T；第三处理单元，用于对所述归一化的图像进行4乘4下采样，得到IH/4和IW/4大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T1；第四处理单元，用于对所述特征图T1进行上采样后和所述特征图T进行融合，将融合后的特征图进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到所述处理后的特征图T2。进一步地，所述训练模块，还包括:图像输出单元，用于在所述得到所述处理后的特征图T2之后，将特征图T0、T、T1、T2进行上采样，得到和输入图片一样尺寸的上采样特征图，将所述上采样特征图用1X1的卷积核进行卷积降维，得到一维的特征图，对所述一维的特征图进行卷积然后输出图像。进一步地，所述训练模块，还包括:模型优化单元，用于采用交叉熵损失函数和BP算法，优化所述神经网络模型，得到最优参数神经网络模型，所述交叉熵损失函数为L＝-[IlogY+(1-I)log(1-Y)]。通过本专利技术提供的一种基于深度学习的人流检测方法和系统，能够带来以下有益效果：1、避免了因人的姿态、外部环境影响而导致的对人流检测有较多漏检和误检，提高了检测的准确率，在不同的背景，穿着，姿态等情况下均有很高的准确率。2、克服了因设备因素而导致输入设备的只能是一种类型的图像，解决了输入信息多样性的问题，可以接受RGB图、深度图、点云等数据信息。附图说明下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的主要特性、技术特征、优点及本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人流检测方法，其特征在于，包括以下步骤：/n采集人流的深度图和灰度图，对采集到的所述灰度图数据进行标注，并对人头进行分割处理，获取检测人头数据集；/n对所述深度图和灰度图进行处理，得到归一化的图像；/n将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数；/n根据所述最优参数神经网络模型和最优参数，在所述人头数据集中进行人流检测。/n

【技术特征摘要】
1.一种基于深度学习的人流检测方法，其特征在于，包括以下步骤：
采集人流的深度图和灰度图，对采集到的所述灰度图数据进行标注，并对人头进行分割处理，获取检测人头数据集；
对所述深度图和灰度图进行处理，得到归一化的图像；
将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数；
根据所述最优参数神经网络模型和最优参数，在所述人头数据集中进行人流检测。


2.根据权利要求1所述的一种基于深度学习的人流检测方法，其特征在于，所述对所述深度图和灰度图进行处理，得到归一化的图像具体为：
对所述深度图数据进行深度筛选，将深度筛选后的深度图和标注后的灰度图进行融合，获得新的三通道图像；
将所述三通道图像减去均值，然后除以标准差得到归一化的图像。


3.根据权利要求1所述的一种基于深度学习的人流检测方法，其特征在于，所述将所述归一化的图像输入预先设置的神经网络模型，对所述神经网络模型进行训练，得出最优参数神经网络模型和最优参数包括：
设输入所述预先设置的神经网络模型的所述归一化图像为I，输出为Y，损失函数为L，图像长为IH，图像宽度为IW，图像的通道数为IC；
对输入所述归一化的图像I进行卷积运算，得到多通道的特征图；对所述多通道的特征图进行batchnormal，将归一化的特征图用relu激励函数进行运算得到处理后的特征图T0；
对所述归一化的图像进行2乘2下采样，得到IH/2和IW/2大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T；
对所述归一化的图像进行4乘4下采样，得到IH/4和IW/4大小的特征图，然后对得到的图片用3X3的卷积核进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到处理后的特征图T1；
对所述特征图T1进行上采样后和所述特征图T进行融合，将融合后的特征图进行卷积操作，进行batchnormal，用relu激励函数进行运算，得到所述处理后的特征图T2。


4.根据权利要求3所述的一种基于深度学习的人流检测方法，其特征在于，在所述得到所述处理后的特征图T2之后，还包括：
将特征图T0、T、T1、T2进行上采样，得到和输入图片一样尺寸的上采样特征图，将所述上采样特征图用1X1的卷积核进行卷积降维，得到一维的特征图，对所述一维的特征图进行卷积然后输出图像。


5.根据权利要求3所述的一种基于深度学习的人流检测方法，其特征在于，所述对所述神经网络模型进行训练，得出最优参数神经网络模型具体包括:
采用交叉熵损失函数和BP算法，优化所述神经网络模型，得到最优参数神经网络模型，所述交叉熵损失函数为L＝-[IlogY+(1-I)log(1-Y)]。


6.一种基...

【专利技术属性】
技术研发人员：徐勇军，余小欢，黄泽仕，哈融厚，朱程利，
申请(专利权)人：浙江光珀智能科技有限公司，
类型：发明
国别省市：浙江;33