人体检测方法、装置、电子设备和存储介质与流程

本发明实施例涉及目标检测技术，尤其涉及一种人体检测方法、装置、电子设备和存储介质。

背景技术：

随着人口数量的增加，在飞机场、火车站等地方人流量较大，在这些人流量大的地方均会设置安防系统，如何在安防系统拍摄的图像中识别出人体是一个重要的问题。

现有技术中，通常是通过人为的在安防系统拍摄的图像中进行人体识别，但是这种人体识别的方式效率低下，且需要大量的人员，造成了人员的浪费。

技术实现要素：

本发明实施例提供一种人体检测方法、装置、电子设备和存储介质，以实现高效、精确、低成本的实现人体检测的效果。

第一方面，本发明实施例提供了一种人体检测方法，该方法包括：

获取待检测图像，其中，所述待检测图像中包含人体图像；

将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。

第二方面，本发明实施例还提供了一种人体检测装置，该装置包括：

待检测图像获取模块，用于获取待检测图像，其中，所述待检测图像中包含人体图像；

位置信息确定模块，用于将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的人体检测方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的人体检测方法。

本发明实施例的技术方案，通过获取待检测图像，其中，待检测图像中包含人体图像，将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息，解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。

附图说明

图1是本发明实施例一中的人体检测方法的流程图；

图2是本发明实施例二中的人体检测方法的流程图；

图3是本发明实施例三中的人体检测装置的结构示意图；

图4是本发明实施例四中的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的人体检测方法的流程图，本实施例可适用于对图像中的人体进行检测的情况，该方法可以由人体检测装置来执行，该人体检测装置可以由软件和/或硬件来实现，该人体检测装置可以配置在计算设备上，具体包括如下步骤：

s110、获取待检测图像，其中，待检测图像中包含人体图像。

示例性的，待检测图像可以是带有人体图像的图像，例如，可以是在安检部门，人们通过摄像头等图像采集设备时，摄像头采集的人的图像，在该图像上有背景图像也有人体图像。

s120、将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息。

示例性的，位置信息可以是人体图像在待检测图像中的位置，例如，可以是人体图像在待检测图像的横坐标范围、纵坐标范围等。

深度学习网络模型可以是任一可基于深度学习的网络模型，例如，可以是单发多盒探测器(singleshotmultiboxdetector，ssd)模型和yolov3网络模型等可用于目标检测的网络模型。

嵌入式设备可以是包含有arm、dsp、npu中至少一种处理芯片的设备。

将训练好的深度学习网络模型架构在嵌入式设备上，这样可基于嵌入式设备精确、高效获取人体图像在待检测图像中的位置信息。解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。

可选的，在将训练好的深度学习网络模型架构在嵌入式设备上前，基于训练好的深度学习网络模型的第一类型，以及嵌入式设备的第二类型，将第一类型转换为与第二类型匹配的类型；将类型转换后的训练好的深度学习网络模型嵌入到嵌入式设备中。

示例性的，第一类型可以是训练的深度学习网络模型的类型。

第二类型可以是嵌入式设备的类型，例如可以是嵌入式设备中的处理芯片的类型。

在将训练好的深度学习网络模型架构在嵌入式设备上前，需将深度学习网络模型的类型转换为与嵌入式设备的类型匹配的类型，然后将类型转换后的训练好的深度学习网络模型嵌入到嵌入式设备中。这样避免因为深度学习网络模型和嵌入式设备的类型不匹配，而无法在嵌入式设备上进行加载的问题。

本发明实施例的技术方案，通过获取待检测图像，其中，待检测图像中包含人体图像，将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到人体图像在待检测图像中的位置信息，解决了现有技术中需要人为的去获取人体图像在待检测图像中的位置信息所导致的人体检测效率低下、成本过高的问题，实现了高效、精确、低成本的实现人体检测的效果。

实施例二

图2为本发明实施例二提供的人体检测方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，在所述获取待检测图像后，所述方法还包括：获取待检测图像的第一分辨率和第一数据格式，以及深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；将待检测图像的第一分辨率转换成第二分辨率，以及将待检测图像的第一数据格式转换为第二数据格式。所述将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，包括：将第二分辨率和第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备；对应的，所述得到人体图像在待检测图像中的位置信息包括：得到在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息。在所述得到在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息后，所述方法还包括：将得到的在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息，映射到第一分辨率的待检测图像中，得到在第一分辨率的待检测图像中人体图像的位置信息。将得到的在第一分辨率的待检测图像中人体图像的位置信息，以及获取的第一分辨率的待检测图像进行对应存储。

如图2所示，本发明实施例的方法具体包括如下步骤：

s210、获取待检测图像，其中，待检测图像中包含人体图像。

s220、获取待检测图像的第一分辨率和第一数据格式，以及深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；将待检测图像的第一分辨率转换成第二分辨率，以及将待检测图像的第一数据格式转换为第二数据格式。

示例性的，第一分辨率可以是获取的待检测图像的初始分辨率。

第一数据格式可以是获取的待检测图像的初始数据格式。

第二分辨率可以是深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的分辨率。

第二数据格式可以是深度学习网络模型训练时输入深度学习网络模型中的历史检测图像的数据格式。

由于获取的待检测图像的分辨率和/或数据格式，可能与训练好的深度学习网络模型所能接收的图像的分辨率和/或数据格式不统一，因此，在将待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备时，需将待检测图像的第一分辨率转换为深度学习网络模型所能接收的第二分辨率，将待检测图像的第一数据格式转换为深度学习网络模型所能接收的第二数据格式。

例如，第一分辨率为2592*1520，第一数据格式为raw数据格式，第二分辨率为320*320，第二数据格式为unsignedchar*bgr数据格式，则将2592*1520转换为320*320，将raw数据格式转换为unsignedchar*bgr数据格式。

这样可使输入训练好的深度学习网络模型中的待检测图像的分辨率和数据格式符合深度学习网络模型的要求，避免因待检测图像的分辨率和/或数据格式不符合深度学习网络模型的要求，而无法进行人体检测的问题。

s230、将第二分辨率和第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备。

示例性的，在将待检测图像的第一分辨率转换为深度学习网络模型所能接收的第二分辨率，以及将待检测图像的第一数据格式转换为深度学习网络模型所能接收的第二数据格式后，将符合输入深度学习网络模型中的图像的分辨率和数据格式要求的待检测图像输入加载有该训练好的深度学习网络模型的嵌入式设备中。例如，可以是将分辨率为320*320，数据格式为unsignedchar*bgr的图像输入到加载有训练好的深度学习网络模型的嵌入式设备中。以使该嵌入式设备直接输出人体图像在待检测图像中的位置信息。

需要说明的是，当获取到待检测图像后，嵌入式设备的前端可将待检测图像拉取到嵌入式设备中，通过嵌入式设备输入管理，实现分辨率和数据格式的转换。这里的分辨率的转换和数据格式的转换可以是通过采用硬件dma硬件处理方法，这样转换过程不占用cpu使用资源，运行速度快，效率高。

s240、得到在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息。

示例性的，在将第二分辨率和第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备中后，嵌入式设备输出的是在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息。

需要说明的是，这里的获取的人体图像的位置信息可以是通过调用嵌入式芯片接口loadmodel加载训练好的深度学习网络模型，通过接口forward和forwardwithbbox计算获取图像中符合人体特征的位置信息。

s250、将得到的在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息，映射到第一分辨率的待检测图像中，得到在第一分辨率的待检测图像中人体图像的位置信息。

示例性的，在上述得到的在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息，映射到第一分辨率和第一数据格式的待检测图像中，例如，将在320*320的待检测图像中人体图像的位置信息，再映射到2592*1520的待检测图像中。比如，在320*320的待检测图像中，人体图像在320*320的待检测图像中的横坐标范围是：80-240，纵坐标范围为80-240，则将该位置信息映射到2592*1520的待检测图像中，比如，映射到2592*1520的待检测图像中得到的人体图像在2592*1520的待检测图像中的横坐标范围为：648-1944，纵坐标范围为：380-1140。

这样可得到最初获取的待检测图像中人体图像的位置信息。

s260、将得到的在第一分辨率的待检测图像中人体图像的位置信息，以及获取的第一分辨率的待检测图像进行对应存储。

示例性的，将得到的在第一分辨率的待检测图像中人体图像的位置信息，以及获取的第一分辨率的待检测图像进行对应存储，例如，可以是存储在本地。

需要说明是，在上述得到在第一分辨率的待检测图像中人体图像的位置信息后，可将得到的位置信息存储为文本文件，例如，可以是存储为xml文件，然后将该xml文件与第一分辨率的待检测图像进行对应存储。

本发明实施例的技术方案，通过将待检测图像的第一分辨率和第一数据格式转换为深度学习网络模型训练时的第二分辨率和第二数据格式，这样可使输入训练好的深度学习网络模型中的待检测图像的分辨率和数据格式符合深度学习网络模型的要求，避免因待检测图像的分辨率和/或数据格式不符合深度学习网络模型的要求，而无法进行人体检测的问题。将得到的在第二分辨率和第二数据格式的待检测图像中人体图像的位置信息，映射到第一分辨率的待检测图像中，得到在第一分辨率的待检测图像中人体图像的位置信息，这样可得到最初获取的待检测图像中人体图像的位置信息的效果。

实施例三

图3为本发明实施例三提供的人体检测装置的结构示意图，如图3所示，该装置包括：待检测图像获取模块31和位置信息确定模块32。

其中，待检测图像获取模块31，用于获取待检测图像，其中，所述待检测图像中包含人体图像；

位置信息确定模块32，用于将所述待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备，得到所述人体图像在所述待检测图像中的位置信息。

在上述实施例的技术方案的基础上，该装置还包括：

格式获取模块，用于获取所述待检测图像的第一分辨率和第一数据格式，以及所述深度学习网络模型训练时输入所述深度学习网络模型中的历史检测图像的第二分辨率和第二数据格式；

格式转换模块，用于将所述待检测图像的第一分辨率转换成所述第二分辨率，以及将所述待检测图像的第一数据格式转换为所述第二数据格式。

在上述实施例的技术方案的基础上，位置信息确定模块32具体用于：

将所述第二分辨率和所述第二数据格式的待检测图像输入加载有训练好的深度学习网络模型的嵌入式设备；得到在所述第二分辨率和所述第二数据格式的待检测图像中所述人体图像的位置信息。

在上述实施例的技术方案的基础上，该装置还包括：

映射模块，用于将得到的在所述第二分辨率和所述第二数据格式的待检测图像中所述人体图像的位置信息，映射到所述第一分辨率的待检测图像中，得到在所述第一分辨率的待检测图像中所述人体图像的位置信息。

在上述实施例的技术方案的基础上，该装置还包括：

存储模块，用于将得到的在所述第一分辨率的待检测图像中所述人体图像的位置信息，以及获取的第一分辨率的待检测图像进行对应存储。

在上述实施例的技术方案的基础上，该装置还包括：

类型转换模块，用于基于所述训练好的深度学习网络模型的第一类型，以及所述嵌入式设备的第二类型，将所述第一类型转换为与所述第二类型匹配的类型；将类型转换后的所述训练好的深度学习网络模型嵌入到所述嵌入式设备中。

可选的，所述嵌入式设备包含arm、dsp、npu中至少一种处理芯片。

本发明实施例所提供的人体检测装置可执行本发明任意实施例所提供的人体检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器70、存储器71、输入装置72和输出装置73；电子设备中处理器70的数量可以是一个或多个，图4中以一个处理器70为例；电子设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的人体检测方法对应的程序指令/模块(例如，待检测图像获取模块31和位置信息确定模块32)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的人体检测方法。

存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置72可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种人体检测方法。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的人体检测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述人体检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。