一种行人状态检测方法、装置以及设备与流程

本发明涉及行人检测技术领域，尤其涉及一种行人状态检测方法、装置以及设备。

背景技术：

随着科技的发展，人们可以通过在图像中识别图像中的各种信息，而目前，图像识别也大规模的应用于安防领域，通过图像来获取过路行人的状态信息，安检门、道闸、关口等。然而现有技术中，通过图像获取过路行人的状态信息只能判断行人的数量，无法对行人是否有携带行李、儿童以及行人的年龄状态进行综合检测，使得当行人通过安检通道时工作人员无法对行人进行引导，无法以及提醒行人将行李放入行李带中或者为年长者提供优先通道。

综上所述，现有技术中对行人状态的检测方法存在着无法对行人综合情况进行判断的不足。

技术实现要素：

本发明提供了一种行人状态检测方法、装置以及设备，解决了现有技术中对行人状态的检测方法存在着无法对行人综合情况进行判断的不足。

本发明提供的一种行人状态检测方法，包括以下步骤：

步骤s1：获取现有的行人图像；

步骤s2：建立行人状态检测模型，使用行人状态检测模型对现有的行人图像进行处理；

步骤s3：将经过处理后的行人图像输入到行人状态检测模型中进行训练，得到训练好的行人状态检测模型；

步骤s4：将实时的行人图像输入训练好的行人状态检测模型中，行人状态检测模型输出行人状态的判断结果。

优选的，步骤s2具体包括以下步骤：

步骤s201：将行人图像输入到行人状态检测模型中，行人状态检测模型对行人图像中的人体进行检测得到人体检测图像；

步骤s202：行人状态检测模型对人体检测图像进行归一化得到行人属性检测图像；

步骤s203：行人状态检测模型对人体检测图像进行人脸检测并对齐得到人脸属性检测图像。

优选的，分别对人体检测图像、人脸属性检测图像以及行人属性检测图像进行属性标注。

优选的，人体检测图像的属性为行人数量；人脸属性检测图像的属性类别包括：性别、年龄、民族、表情、人脸姿态以及人脸穿戴；行人属性检测图像的属性类别包括：背包、提包、挎包、行李箱、携带儿童、轮椅以及婴儿车。

优选的，在步骤s3中，具体包括以下步骤：

步骤s301：将人体检测图像、人脸属性检测图像以及行人属性检测图像以一定的比例划分为训练集以及测试集；

步骤s302：按顺序将人体检测图像的训练集、人脸属性检测图像的训练集以及行人属性检测图像的训练集输入至行人状态检测模型中对行人状态检测模型的权重参数进行优化；

步骤s303：将测试集输入至训练好的行人状态检测模型中，得到行人状态检测模型的最优权重参数。

优选的，人脸属性检测图像的人脸属性检测训练集中以每一项人脸属性检测图像的属性为一类，行人属性检测图像的行人属性训练集中以每一项行人属性检测图像的属性为一类。

优选的，在步骤s301中，将人体检测图像作为人体检测训练集的正样本，将现有图像中不含行人的图像作为人体检测训练集的负样本输入至行人状态检测模型中，人脸属性检测训练集中包含有人脸属性检测图像的属性的所有类别且每一个类别的数量均等，行人属性训练集中包含有行人属性检测图像的所有类别且每一个类别的数量均等。

优选的，所述行人状态检测模型包括人体检测模型、人脸属性检测模型以及行人属性检测模型，所述人脸属性检测模型以及行人属性检测模型由卷积神经网络构成，所述卷积神经网络第一层卷积层和最后一层卷积层之间设置有至少一层反卷积层和至少一层inception层，所述inception进行卷积时采用多个不同尺寸的卷积核；所述人体检测模型采用faceboxes算法。

一种行人状态检测装置，包括行人图像获取模块、图像预处理模块以及行人状态检测模型模块；

所述行人图像获取模块用于获取行人的图像；

所述图像预处理模块用于对行人的图像进行预处理；

所述行人状态检测模型模块用于建立行人状态检测模型并输出行人状态检测的结果。

一种行人状态检测设备，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的一种行人状态检测方法。

从以上技术方案可以看出，本发明具有以下优点：

本发明实施例通过建立行人状态检测模型，将获取到的人体检测图像、人脸属性检测图像以及行人属性检测图像输入行人状态检测模型中，从而使得行人状态检测模型能够对行人的状态信息进行综合的判断，解决了现有技术中对行人状态的检测方法存在着无法对行人综合情况进行判断的不足，有利于安检人员对通过安检通道的行人进行引导，在实际应用中具有重要的意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种行人状态检测方法、装置以及设备的方法流程图。

图2为本发明实施例提供的一种行人状态检测方法、装置以及设备的装置框架图。

图3为本发明实施例提供的一种行人状态检测方法、装置以及设备的设备框架图。

具体实施方式

本发明实施例提供了一种行人状态检测方法、装置以及设备，用于解决解决了现有技术中对行人状态的检测方法存在着无法对行人综合情况进行判断的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

请参阅图1，图1为本发明实施例提供的一种行人状态检测方法、装置以及设备的方法流程图。

如图1所示，本发明提供的一种行人状态检测方法，包括以下步骤：

步骤s1：获取现有的行人图像；

现有的行人图像可从安检匝道的摄像头拍摄得到的历史图像中选取，安检匝道的中的行人图像涵盖了大部分类型的行人状态图像，有利于后续行人检测模型对行人图像的学习以及检测。

步骤s2：建立行人状态检测模型，使用行人状态检测模型对现有的行人图像进行处理；

步骤s3：将经过处理后的行人图像输入到行人状态检测模型中进行训练，对行人状态检测模型进行优化，得到训练好的行人状态检测模型；

将经过处理后的现有行人图像输入至行人状态检测模型中进行训练，行人状态检测模型对不同类的图像，同一类不同属性类别的图像进行检测识别对自身进行优化，从而得到训练好的行人状态检测模型。

步骤s4：将实时的行人图像输入训练好的行人状态检测模型中，行人状态检测模型输出行人的状态的判断结果。

将实时的行人图像输入到训练好的行人状态检测模型中，行人状态检测模型可直接对实时的行人图像进行检测判断，从而直接判断出行人的综合状态。

作为一个优选的实施例，步骤s2具体包括以下步骤：

步骤s201：将行人图像输入到行人状态检测模型中，行人状态检测模型对行人图像中的人体进行检测得到人体检测图像；

步骤s202：行人状态检测模型对人体检测图像进行归一化得到行人属性检测图像；

步骤s203：行人状态检测模型对人体检测图像进行人脸检测并对齐得到人脸属性检测图像。

将现有的行人图像分为人体检测图像，可使得行人状态检测模型只关注图像中的人体；将现有的行人图像分为人脸属性检测图像，可使得行人状态检测模型只关注图像中的人脸；将现有的行人图像分为行人属性检测图像，可使得行人状态检测模型只关注行人的属性；通过将现有的行人图像分为不同的类别有利于行人状态检测模型只集中关注图像中的特定一点，有利于提高行人状态检测模型的学习效率。

行人状态检测模型对行人图像进行检测得到人体矩阵形成的子图像，将子图像进行归一化处理，得到128*256的人体矩阵子图像，在人体矩阵子图像的基础上，对人体矩阵子图形使用人脸检测算法(即mtcnn或faceboxes)得到人脸图像，并对人脸图像进行对齐得到人脸属性检测图像，尺寸为96*112。

作为一个优选的实施例，分别对人体检测图像、人脸属性检测图像以及行人属性检测图像进行属性标注。

通过对人体检测图像、人脸属性检测图像以及行人属性检测图像中的属性进行标注，可突出不同类别图像中需要行人状态检测模型识别的特征，有利于减少图像中的干扰项，提高行人状态检测模型的学习速度。

作为一个优选的实施例，人体检测图像的属性为行人数量；人脸属性检测图像的属性类别包括：性别、年龄、表情、民族、人脸姿态以及人脸穿戴；行人属性检测图像的属性类别包括：背包、提包、挎包、行李箱、牵小孩、轮椅以及婴儿车。

性别、年龄、表情、民族、人脸姿态以及人脸穿戴为人脸最直观的属性，通过学习该属性可使得行人状态检测模型推断出该行人外貌综合信息。而行人属性检测图像的属性可使得行人状态检测模型推断出该行人外形综合信息，从而判断出行人是否背包、携带行李或者行人为婴儿或坐在轮椅上的残障人士，方便工作人员对行人进行引导。

作为一个优选的实施例，在步骤s3中，具体包括以下步骤：

步骤s301：将人体检测图像中的图像、人脸属性检测图像中的图像以及行人属性检测图像中的图像以一定的比例划分为训练集以及测试集；将图像划分为训练集对行人状态检测模型中进行训练，测试集对行人状态检测模型的检测效果进行测试。

步骤s302：按顺序将人体检测图像的训练集、人脸属性检测图像的训练集以及行人属性检测图像的训练集输入至行人状态检测模型中对行人状态检测模型的权重参数进行优化；

按顺序将人体检测图像中的训练集、人脸属性检测图像中的训练集以及行人属性检测图像中的训练集输入至行人状态检测模型中，行人状态检测模型根据三个训练集调整对自身的权重参数。

步骤s303：将测试集输入至行人状态检测模型中，得到行人状态检测模型的最优权重参数。

将人体检测图像中的测试集、人脸属性检测图像中的测试集以及行人属性检测图像中的测试集输入至训练好的行人状态检测模型中，行人状态检测模型对自身的参数进行进一步的调整，寻得其自身的最优权重参数。

作为一个优选的实施例，在步骤s301中，将裁人体检测图像作为人体检测训练集的正样本，将现有图像中不含行人的图像作为人体检测训练集的负样本输入至行人状态检测模型中，负样本的数量为正样本的三倍，人脸属性检测训练集中包含有人脸属性检测图像的属性的所有类别且每一个类别的数量均等，行人属性训练集中包含有行人属性检测图像的属性的所有类别且每一个类别的数量均等。

作为一个优选的实施例，人脸属性检测图像的人脸属性检测训练集中以每一项人脸属性检测图像的属性为一类，行人属性检测图像的行人属性训练集中以每一项行人的属性为一类。

作为一个优选的实施例，所述行人状态检测模型由卷积神经网络构成，所述行人状态检测模型包括人体检测模型、人脸属性检测模型以及行人属性检测模型，所述人脸属性检测模型以及行人属性检测模型由卷积神经网络构成，所述卷积神经网络第一层卷积层和最后一层卷积层之间设置有至少一层反卷积层和至少一层inception层，所述inception进行卷积时采用多个不同尺寸的卷积核；所述人体检测模型采用faceboxes算法。

人脸属性检测模型以及行人属性检测模型中的卷积神经网络的第一层卷积层和最后一层卷积层之间设置有至少一层反卷积层和至少一层inception层，通过inception层可以使卷积神经网络可以更好地适应输入图像尺寸的变化，同时增加特征图像的多样性，多尺度融合特征图像，并降低运算量，通过反卷积层可以还原特征图像的尺寸，对特征图像进行补充扩展，既能学习到较高水平的特征，也能降低网络的模型参数，使得行人状态检测模型能够适应输入图像尺寸的变化，且卷积层学习到更为丰富的特征的问题。

将实时的行人图像输入经过行人状态检测模型之后，人体检测模型首先对实时的行人图像进行检测，检测出图像中行人的数量，之后，人脸属性检测模型以及行人属性检测模型中的卷积神经网络内的共享特征子网络(例如卷积层、反卷积层和inception层)会提取实时行人图像的属性特征，例如全连层会提取实时行人图像的属性，输出层通过共享属性的特征对待实时的行人图像的人脸属性检测图像的属性以及行人属性检测图像的属性进行计算得到实时行人图像中各个行人综合状态的识别结果。

实施例2

本申请实施例2提供了一种人脸属性识别装置，为便于说明，仅示出与本申请相关的部分，如图2所述，一种行人状态检测装置，包括行人图像获取模块401、图像预处理模块402以及行人状态检测模型模块403；

所述行人图像获取模块401用于获取行人的图像；

所述图像预处理模块402用于对行人的图像进行预处理；

所述行人状态检测模型模块403用于建立行人状态检测模型并输出行人状态检测的结果。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

实施例3

如图3所示，一种行人状态检测设备50，所述设备包括处理器500以及存储器501；

所述存储器501用于存储程序代码502，并将所述程序代码502传输给所述处理器；

所述处理器500用于根据所述程序代码502中的指令执行上述的一种行人状态检测方法实施例中的步骤，例如图1所示的步骤s1至s5。或者，所述处理器500执行所述计算机程序502时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块401至403的功能。

示例性的，所述计算机程序502可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器501中，并由所述处理器500执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序502在所述终端设备50中的执行过程。例如，所述计算机程序502可以被分割包括行人图像获取模块、图像预处理模块以及行人状态检测模型模块；

所述行人图像获取模块用于获取行人的图像；

所述图像预处理模块用于对行人的图像进行预处理；

所述行人状态检测模型模块用于建立行人状态检测模型并输出行人状态检测的结果。

所述终端设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器500、存储器501。本领域技术人员可以理解，图3仅仅是终端设备50的示例，并不构成对终端设备50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器500可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器501可以是所述终端设备50的内部存储单元，例如终端设备50的硬盘或内存。所述存储器501也可以是所述终端设备50的外部存储设备，例如所述终端设备50上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器501还可以既包括所述终端设备50的内部存储单元也包括外部存储设备。所述存储器501用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器501还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。