人形检测方法、系统、设备及存储介质技术方案

本发明专利技术属于人工智能技术领域，公开了一种人形检测方法、系统、设备及存储介质。该方法包括：在进行人形检测时，将量化模型转化为目标模型；获取待输入图像，根据所述待输入图像生成输入特征图；将所述输入特征图输入至所述目标模型，获得输出结果；将所述输出结果解码，得到人形检测框的位置以及置信度；根据所述位置以及所述置信度展示人形检测结果。通过上述方式，将量化模型转化为目标模型，并根据待输入图像生成特征图，将特征图通过目标模型计算得到人形检测框以及置信度，从而能够提高人形检测的准确性，用户也能够通过置信度确定人形检测的可靠度，提升了用户体验。提升了用户体验。提升了用户体验。

【技术实现步骤摘要】
人形检测方法、系统、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种人形检测方法、系统、设备及存储介质。

技术介绍

[0002]人形检测等AI算法目前在会议视频频通话产品领域有这广泛的应用，但是受限与嵌入式等边缘设备有限的算力等问题，使得人形检测算法的应用受到了限制。目前的人形检测算法大多数是基于深度学习的方法检测全身目标的，有少部分机器学习学习算法是检测头肩部位的但是由于准确率较低难以商业化应用。深度学习算法需要应用数据量巨大的神经网络模型来对图片进行检测计算，需要占用较大的存储空间和计算资源，使其难以在计算和存储资源有限的嵌入式设备上应用。
[0003]目前主流的人形检测算法检测都是以全身为检测目标，而人形目标为高度非刚性目标，形态差异非常大，对神经网络的泛化能力有较高的要求，且形变大导致在同一个距离下，目标框的形状的大小变化非常的大，从而难以根据目标框的大小来判断出人形目标距离摄像头的距离，对人形跟随和防抖等应用造成困难。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种人形检测方法、系统、设备及存储介质，旨在解决现有技术如何提高人形检测的准确性的技术问题。
[0006]为实现上述目的，本专利技术提供了一种人形检测方法，应用于嵌入式设备，所述方法包括以下步骤：
[0007]在进行人形检测时，将量化模型转化为目标模型；
[0008]获取待输入图像，根据所述待输入图像生成输入特征图；
[0009]将所述输入特征图输入至所述目标模型，获得输出结果；
[0010]将所述输出结果解码，得到人形检测框的位置以及置信度；
[0011]根据所述位置以及所述置信度展示人形检测结果。
[0012]可选地，所述将量化模型转化为目标模型的步骤包括：
[0013]获取量化模型的卷积核参数排列方式；
[0014]将所述卷积核参数排列方式调整为目标排列方式，得到重排列模型；
[0015]将所述重排列模型转化为目标模型。
[0016]可选地，所述将所述重排列模型转化为目标模型的步骤包括：
[0017]将所述重排列模型卷积核根据目标数量进行分组，得到卷积核组；
[0018]将所述卷积核组合并，得到合并卷积核组；
[0019]根据所述合并卷积核组将所述重排列模型转化为目标模型。
[0020]为实现上述目的，本专利技术提供了一种人形检测方法，应用于非嵌入式设备，所述人形检测方法包括：
[0021]获取初始人形数据集；
[0022]根据所述初始人形数据集得到人形标签数据集；
[0023]根据所述人形标签数据集训练初始神经网络模型，得到训练神经网络模型；
[0024]将所述训练神经网络模型转化为量化模型，以使嵌入式设备在进行人形检测时，将量化模型转化为目标模型，获取待输入图像，根据所述待输入图像生成输入特征图，将所述输入特征图输入至所述目标模型，获得输出结果，将所述输出结果解码，得到人形检测框的位置以及置信度，根据所述位置以及所述置信度展示人形检测结果。
[0025]可选地，所述根据所述初始人形数据集得到人形标签数据集的步骤包括：
[0026]根据所述初始人形数据集确定人形关键关节数据集；
[0027]根据所述人形关键关节数据集确定上半身目标关节；
[0028]根据所述上半身目标关节确定上半身目标框；
[0029]根据所述上半身目标框生成人形标签数据集。
[0030]可选地，所述根据所述人形标签数据集训练初始神经网络模型，得到训练神经网络模型的步骤之前，还包括：
[0031]根据卷积层、bn层以及relu激活层生成卷积激活层；
[0032]根据所述卷积激活层以及池化层生成卷积模块；
[0033]根据所述卷积模块构建初始神经网络模型。
[0034]可选地，所述将所述训练神经网络模型转化为量化模型的步骤，包括：
[0035]将所述训练神经网络模型归一化为整型神经网络模型；
[0036]压缩所述整型神经网络模型，得到量化模型。
[0037]此外，为实现上述目的，本专利技术还提出一种人形检测系统，所述人形检测系统包括：非嵌入式设备以及嵌入式设备；
[0038]所述非嵌入式设备，用于获取初始人形数据集；
[0039]所述非嵌入式设备，还用于根据所述初始人形数据集得到人形标签数据集；
[0040]所述非嵌入式设备，还用于根据所述人形标签数据集训练预设神经网络模型，得到训练神经网络模型；
[0041]所述非嵌入式设备，还用于将所述训练神经网络模型转化为量化模型；
[0042]所述嵌入式设备，用于在进行人形检测时，将量化模型转化为目标模型；
[0043]所述嵌入式设备，还用于获取待输入图像，根据所述待输入图像生成输入特征图；
[0044]所述嵌入式设备，还用于将所述输入特征图输入至所述目标模型，获得输出结果；
[0045]所述嵌入式设备，还用于将所述输出结果解码，得到人形检测框的位置以及置信度；
[0046]所述嵌入式设备，还用于根据所述位置以及所述置信度展示人形检测结果。
[0047]此外，为实现上述目的，本专利技术还提出一种人形检测设备，所述人形检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人形检测程序，所述人形检测程序配置为实现如上文所述的人形检测方法的步骤。
[0048]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有人形
检测程序，所述人形检测程序被处理器执行时实现如上文所述的人形检测方法的步骤。
[0049]本专利技术在进行人形检测时，将量化模型转化为目标模型；获取待输入图像，根据所述待输入图像生成输入特征图；将所述输入特征图输入至所述目标模型，获得输出结果；将所述输出结果解码，得到人形检测框的位置以及置信度；根据所述位置以及所述置信度展示人形检测结果。通过上述方式，将量化模型转化为目标模型，并根据待输入图像生成特征图，将特征图通过目标模型计算得到人形检测框以及置信度，从而能够提高人形检测的准确性，用户也能够通过置信度确定人形检测的可靠度，提升了用户体验。
附图说明
[0050]图1是本专利技术实施例方案涉及的硬件运行环境的人形检测设备的结构示意图；
[0051]图2为本专利技术人形检测方法第一实施例的流程示意图；
[0052]图3为本专利技术人形检测方法第二实施例的流程示意图；
[0053]图4为本专利技术人形检测方法一实施例的分组卷积重组图；
[0054]图5为本专利技术人形检测方法一实施例的通道分组图；
[0055]图6是本专利技术实施例方案涉及的硬件运行环境的人形检测设备的结构示意图；
[0056]图7为本专利技术人形检测方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人形检测方法，其特征在于，应用于嵌入式设备，所述人形检测方法包括：在进行人形检测时，将量化模型转化为目标模型；获取待输入图像，根据所述待输入图像生成输入特征图；将所述输入特征图输入至所述目标模型，获得输出结果；将所述输出结果解码，得到人形检测框的位置以及置信度；根据所述位置以及所述置信度展示人形检测结果。2.如权利要求1所述的方法，其特征在于，所述将量化模型转化为目标模型的步骤包括：获取量化模型的卷积核参数排列方式；将所述卷积核参数排列方式调整为目标排列方式，得到重排列模型；将所述重排列模型转化为目标模型。3.如权利要求2所述的方法，其特征在于，所述将所述重排列模型转化为目标模型的步骤包括：将所述重排列模型卷积核根据目标数量进行分组，得到卷积核组；将所述卷积核组合并，得到合并卷积核组；根据所述合并卷积核组将所述重排列模型转化为目标模型。4.一种人形检测方法，其特征在于，应用于非嵌入式设备，所述人形检测方法包括：获取初始人形数据集；根据所述初始人形数据集得到人形标签数据集；根据所述人形标签数据集训练初始神经网络模型，得到训练神经网络模型；将所述训练神经网络模型转化为量化模型，以使嵌入式设备在进行人形检测时，将量化模型转化为目标模型，获取待输入图像，根据所述待输入图像生成输入特征图，将所述输入特征图输入至所述目标模型，获得输出结果，将所述输出结果解码，得到人形检测框的位置以及置信度，根据所述位置以及所述置信度展示人形检测结果。5.如权利要求4所述的方法，其特征在于，所述根据所述初始人形数据集得到人形标签数据集的步骤包括：根据所述初始人形数据集确定人形关键关节数据集；根据所述人形关键关节数据集确定上半身目标关节；根据所述上半身目标关节确定上半身目标框；根据所述上半身目标框生成人形标签数据...

【专利技术属性】
技术研发人员：陈文明，张正道，倪世坤，张世明，
申请(专利权)人：深圳壹秘科技有限公司，
类型：发明
国别省市：