System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,更具体而言,涉及一种行人检测方法、行人检测模型的训练方法、行人检测装置、行人检测模型的训练装置、电子设备及非易失性计算机可读存储介质。
技术介绍
1、随着人工智能的发展,行人检测在各领域广泛应用。目前的行人检测方法大多采用目标检测算法实现检测,以能够在图像中识别行人的位置。在一些应用场景中,除了需要获取行人的位置信息,还需要获取行人的属性信息,行人的属性信息简单说可以包括行人的性别、年龄、体型、着装等要素。
2、然而,目前获取行人属性的方法通常需要先获取行人的位置检测结果,以根据行人的位置检测结果裁剪出对应的行人目标图像送入行人属性识别网络进行识别,这种检测方式需要利用两个及以上的神经网络模型分别计算行人位置和行人属性,计算所需的设备资源较大。
技术实现思路
1、本申请实施方式提供一种行人检测方法、行人检测模型的训练方法、行人检测装置、行人检测模型的训练装置、电子设备及非易失性计算机可读存储介质。
2、本申请实施方式的行人检测方法包括:获取待识别图像;将所述待识别图像输入预先训练的多任务识别网络,所述多任务识别网络包括主干网络、行人检测网络及属性识别网络;基于所述主干网络根据输入的所述待识别图像获取主干特征图;基于所述行人检测网络根据输入的所述主干特征图获取预测行人位置;基于所述属性识别网络根据输入的所述主干特征图获取预测行人属性;及关联所述预测行人位置和所述预测行人属性以输出检测结果。
3、本申请实施方式的行人检测装置包括:
4、本申请实施方式的行人检测模型的训练方法包括:构建多任务识别网络,所述多任务识别网络包括主干网络、行人检测网络及属性识别网络;获取训练集图像;将所述训练集图像输入所述多任务识别网络进行训练,得到行人检测模型;其中,所述主干网络用于根据输入的所述训练集图像获取主干特征图,所述行人检测网络用于根据输入的所述主干特征图获取预测行人位置,所述属性识别网络用于根据输入的所述主干特征图获取预测行人属性。
5、本申请实施方式的行人检测模型的训练装置包括:网络构建模块、第二获取模块及训练模块。所述网络构建模块用于构建多任务识别网络,所述多任务识别网络包括主干网络、行人检测网络及属性识别网络。所述第二获取模块用于获取训练集图像。所述训练模块用于将所述训练集图像输入所述多任务识别网络进行训练,得到行人检测模型。其中,所述主干网络用于根据输入的所述训练集图像获取主干特征图,所述行人检测网络用于根据输入的所述主干特征图获取预测行人位置,所述属性识别网络用于根据输入的所述主干特征图获取预测行人属性。
6、本申请实施方式的电子设备包括存储器及处理器。所述存储器用于存储计算机程序;所述处理器用于执行所述存储器中存储的计算机程序,以实现上述行人检测方法,和/或实现上述行人检测模型的训练方法。
7、本申请实施方式的非易失性计算机可读存储介质包含计算机程序,当所述计算机程序被一个或多个处理器执行时,使得一个或多个所述处理器上述行人检测方法,和/或实现上述行人检测模型的训练方法。
8、本申请提供的行人检测方法能够利用多任务识别网络以并行获取预测行人位置和预测行人属性,只需单次输入待识别图像即可获取包含预测行人位置和预测行人属性的检测结果,能够提高检测效率、快速得到检测结果、节省设备资源。
9、本申请的实施方式的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实施方式的实践了解到。
本文档来自技高网...【技术保护点】
1.一种行人检测方法,其特征在于,包括:
2.根据权利要求1所述的行人检测方法,其特征在于,所述主干特征图包括多张,多张所述主干特征图的分辨率不同;所述行人检测网络包括第一融合网络和第一任务头网络,所述基于所述行人检测网络根据输入的所述主干特征图获取所述预测行人位置,包括:
3.根据权利要求2所述的行人检测方法,其特征在于,所述属性识别网络包括第二融合网络和第二任务头网络,基于所述属性识别网络根据输入的所述主干特征图获取所述预测行人属性,包括:
4.根据权利要求3所述的行人检测方法,其特征在于,所述预测行人位置包括预测行人分数,所述预测行人属性包括预测属性分数,所述检测结果包括检测框和可见属性;所述关联所述预测行人位置和所述预测行人属性以输出检测结果,包括:
5.一种行人检测模型的训练方法,其特征在于,所述训练方法包括:
6.根据权利要求5所述的行人检测模型的训练方法,其特征在于,所述将所述训练集图像输入所述多任务识别网络进行训练,得到行人检测模型,包括:
7.根据权利要求6所述的行人检测模型的训练方法,其特
8.根据权利要求7所述的行人检测模型的训练方法,其特征在于,所述根据所述行人位置框、所述训练属性特征图及所述正样本计算行人属性损失,包括:
9.根据权利要求7所述的行人检测模型的训练方法,其特征在于,所述预设参数包括检测任务的权重和行人属性识别任务的权重,所述总损失对应的损失函数包括:
10.根据权利要求7所述的行人检测模型的训练方法,其特征在于,所述在所述训练位置特征图中确定正样本,包括:
11.一种行人检测装置,其特征在于,包括:
12.一种行人检测模型的训练装置,其特征在于,包括:
13.一种电子设备,其特征在于,包括:
14.一种包含计算机程序的非易失性计算机可读存储介质,当所述计算机程序被一个或多个处理器执行时,实现如权利要求1至4中任一项所述的行人检测方法的步骤,或实现如权利要求5至10中任一项所述的行人检测模型的训练方法的步骤。
...【技术特征摘要】
1.一种行人检测方法,其特征在于,包括:
2.根据权利要求1所述的行人检测方法,其特征在于,所述主干特征图包括多张,多张所述主干特征图的分辨率不同;所述行人检测网络包括第一融合网络和第一任务头网络,所述基于所述行人检测网络根据输入的所述主干特征图获取所述预测行人位置,包括:
3.根据权利要求2所述的行人检测方法,其特征在于,所述属性识别网络包括第二融合网络和第二任务头网络,基于所述属性识别网络根据输入的所述主干特征图获取所述预测行人属性,包括:
4.根据权利要求3所述的行人检测方法,其特征在于,所述预测行人位置包括预测行人分数,所述预测行人属性包括预测属性分数,所述检测结果包括检测框和可见属性;所述关联所述预测行人位置和所述预测行人属性以输出检测结果,包括:
5.一种行人检测模型的训练方法,其特征在于,所述训练方法包括:
6.根据权利要求5所述的行人检测模型的训练方法,其特征在于,所述将所述训练集图像输入所述多任务识别网络进行训练,得到行人检测模型,包括:
7.根据权...
【专利技术属性】
技术研发人员:柴彦冲,陈庆接,张军,林国斌,
申请(专利权)人:深圳市睿联技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。