一种基于网格聚类的小孩检测框过滤算法

摘要

本发明涉及计算机视觉技术领域，尤其为一种基于网格聚类的小孩检测框过滤算法，其方法包括如下步骤：通过摄像头获取现实场景中的视频数据，摄像头将视频数据发送至计算机，获取目标图像并进行保存，选定目标摄像头，从生产环境拉取对应一周的检测框数据；本发明提出的小孩检测框过滤算法，可以直接将检测到的人形框作为统计数据，再使用网格聚类法得到网格范围内的平均框高，利用平均框高和目标框高判断是否为小孩，同时能够判断目标图像中每个区域的平均框高，避免因为遮挡而导致误判，解决了现实场景中存在较多遮挡和误检，直接用检测框进行统计聚类，异常检测框会扰乱整个数据分布，导致小孩框误判较多的问题。

说明书

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于网格聚类的小孩检测框过滤算法。

背景技术

目标检测是计算机视觉领域最基本的问题之一，已经被广泛地探讨和研究。近年来基于深度卷积神经网络的目标检测方法使得检测精度有了很大提升，但是在实际应用中仍然存在较多挑战。比如在某些特定业务场景下(例如商场客流系统基于目标检测分析用户购买力行为)要求检测系统能够区分“大人”和“小孩”，即每个人形框需要给出一个标签，判断该框中的人物是否为成年人，方便为后续统计用户行为做过滤条件。所以，在检测系统中区分大人和小孩是十分重要且有价值的。

目前此问题可以通过事先准备大量的预标注数据集参与神经网络的训练，利用多任务网络判断输出的检测框是否为小孩的概率。但在现实场景中想要获取小孩样本较为困难。尤其是在商场、餐厅等人员密集场所，主要以成人为主，小孩样本较少。所以为了避免数据量不足的情况，目前还有一些方法是通过统计检测框特征来区分大人和小孩。例如，通过统计检测框的宽高比，设置阈值，将低于阈值的检测框认为是小孩；或者将检测框特征作为输入，利用k-means等聚类算法对检测框进行聚类，再将聚类结果进行分析从而区分出小孩和大人。

现实场景中存在较多遮挡和误检的情况，而且同一个人站在不同位置时在图像中的成像不同，检测框大小也随之不同，导致很多人形框并不符合常理，如果直接用检测框进行统计聚类，异常检测框会扰乱整个数据分布，阈值不好确定，最后过滤出的小孩框误判较多。

本发明针对商场、餐厅等公共场所行人检测需要过滤小孩检测框提出了一种基于网格聚类的小孩检测框过滤算法，在图像中绘制细粒度网格，根据每个人形框上边沿中点分布制定每个网格的均值框，通过计算待判定框和均值框之间的差异来衡量是否为小孩。以解决现有方法面临的如下问题：

1、由于行人遮挡导致检测框中行人不完整，无法直接根据检测框大小判断是否为小孩；

2、由于相机畸变导致同一人在不同地理位置框大小有较大差异；

3、现实场景小孩样本量不足，无法大规模参与模型训练。

发明内容

本发明的目的在于提供一种基于网格聚类的小孩检测框过滤算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于网格聚类的小孩检测框过滤算法，其方法包括如下步骤：

(1)获取待检测图像：通过摄像头获取现实场景中的视频数据，摄像头将视频数据发送至计算机，获取目标图像并进行保存；

(2)人形检测框提取：选定目标摄像头，从生产环境拉取对应一周的检测框数据[xmin，ymin，xmax，ymax]，检测框数据分别对应检测框在目标图像的左上角坐标和右下角坐标；

(3)网格聚类计算均值框：在目标图像中构建网格并计算每个网格中的均值框，首先在目标图像中绘制细粒度网格，然后统计每个网格中落入的原始检测框，得到每个网格的均值框Box；

(4)估计判定框是否为小孩：输入待判定框，根据均值框来判断待判定框是否为小孩，判定过程为根据网格内均值框和待判定框的高度差异来判断是否为小孩；

(5)检测框筛选分类：结合网格聚类得到的均值框对小孩框进行筛选，完成小孩和大人的区分。

优选的，所述步骤(1)中，计算机从视频数据中识别获取目标对象，并对目标对象进行拍照，得到目标图像。

优选的，所述步骤(2)中，检测框数据的坐标原点为目标图像左上角点。

优选的，所述步骤(3)中，预先自定义网格大小，并给定网格范围，在目标图像中生成指定大小网格图。

优选的，所述步骤(3)中，以每个检测框的上边沿中点为基点，计算基点落入的网格则代表对应的检测框也落入该网格内，统计每个网格中落入的原始检测框。

优选的，所述步骤(3)中，分别对每个网格中的检测框做平均，得到每个网格的均值框Box。

优选的，所述步骤(4)中，以判定框上边沿中点为基点，计算判定框上边沿中点落入的目标网格。

优选的，所述步骤(4)中，差异标准如下：衡量均值框和待判定框的高度，如果待判定框的高度小于均值框的80％，则判断为小孩。

优选的，所述步骤(5)中，重复扫描目标图像，直至小孩框完全筛选后结束扫描。

优选的，所述步骤(5)中，筛选出的小孩框可作为标注样本，参与模型训练进行监督学习。

与现有技术相比，本发明的有益效果如下：

本发明提出的小孩检测框过滤算法，可以直接将检测到的人形框作为统计数据，再使用网格聚类法得到网格范围内的平均框高，利用平均框高和目标框高判断是否为小孩，同时能够判断目标图像中每个区域的平均框高，避免因为遮挡而导致误判，解决了现实场景中存在较多遮挡和误检，直接用检测框进行统计聚类，异常检测框会扰乱整个数据分布，导致小孩框误判较多的问题。

附图说明

图1为本发明方法流程原理示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

实施例一：

一种基于网格聚类的小孩检测框过滤算法，其方法包括如下步骤：

(1)获取待检测图像：通过摄像头获取现实场景中的视频数据，摄像头将视频数据发送至计算机，获取目标图像并进行保存，计算机从视频数据中识别获取目标对象，并对目标对象进行拍照，得到目标图像，可以通过筛分获取更加清晰的目标图像，有利于对检测框进行提取；

(2)人形检测框提取：选定目标摄像头，从生产环境拉取对应一周的检测框数据[xmin，ymin，xmax，ymax]，检测框数据分别对应检测框在目标图像的左上角坐标和右下角坐标，检测框数据的坐标原点为目标图像左上角点，可以对每个检测框进行精确定位，降低检测框之间存在的差异；

(3)网格聚类计算均值框：在目标图像中构建网格并计算每个网格中的均值框，首先在目标图像中绘制细粒度网格，然后统计每个网格中落入的原始检测框，得到每个网格的均值框Box；

(4)估计判定框是否为小孩：输入待判定框，根据均值框来判断待判定框是否为小孩，判定过程为根据网格内均值框和待判定框的高度差异来判断是否为小孩；

(5)检测框筛选分类：结合网格聚类得到的均值框对小孩框进行筛选，完成小孩和大人的区分。

实施例二：

一种基于网格聚类的小孩检测框过滤算法，其方法包括如下步骤：

(1)获取待检测图像：通过摄像头获取现实场景中的视频数据，摄像头将视频数据发送至计算机，获取目标图像并进行保存，计算机从视频数据中识别获取目标对象，并对目标对象进行拍照，得到目标图像，可以通过筛分获取更加清晰的目标图像，有利于对检测框进行提取；

(2)人形检测框提取：选定目标摄像头，从生产环境拉取对应一周的检测框数据[xmin，ymin，xmax，ymax]，检测框数据分别对应检测框在目标图像的左上角坐标和右下角坐标，检测框数据的坐标原点为目标图像左上角点，可以对每个检测框进行精确定位，降低检测框之间存在的差异；

(3)网格聚类计算均值框：在目标图像中构建网格并计算每个网格中的均值框，首先在目标图像中绘制细粒度网格，然后统计每个网格中落入的原始检测框，得到每个网格的均值框BoxBox，预先自定义网格大小，并给定网格范围，在目标图像中生成指定大小网格图，以每个检测框的上边沿中点为基点，计算基点落入的网格则代表对应的检测框也落入该网格内，统计每个网格中落入的原始检测框，分别对每个网格中的检测框做平均，得到每个网格的均值框Box，可以通过网格聚类得到每个网格内的平均框，从而有利于与判定框进行对照判定；

(4)估计判定框是否为小孩：输入待判定框，根据均值框来判断待判定框是否为小孩，判定过程为根据网格内均值框和待判定框的高度差异来判断是否为小孩；

(5)检测框筛选分类：结合网格聚类得到的均值框对小孩框进行筛选，完成小孩和大人的区分。

实施例三：

一种基于网格聚类的小孩检测框过滤算法，其方法包括如下步骤：

(1)获取待检测图像：通过摄像头获取现实场景中的视频数据，摄像头将视频数据发送至计算机，获取目标图像并进行保存，计算机从视频数据中识别获取目标对象，并对目标对象进行拍照，得到目标图像，可以通过筛分获取更加清晰的目标图像，有利于对检测框进行提取；

(2)人形检测框提取：选定目标摄像头，从生产环境拉取对应一周的检测框数据[xmin，ymin，xmax，ymax]，检测框数据分别对应检测框在目标图像的左上角坐标和右下角坐标，检测框数据的坐标原点为目标图像左上角点，可以对每个检测框进行精确定位，降低检测框之间存在的差异；

(3)网格聚类计算均值框：在目标图像中构建网格并计算每个网格中的均值框，首先在目标图像中绘制细粒度网格，然后统计每个网格中落入的原始检测框，得到每个网格的均值框Box，预先自定义网格大小，并给定网格范围，在目标图像中生成指定大小网格图，以每个检测框的上边沿中点为基点，计算基点落入的网格则代表对应的检测框也落入该网格内，统计每个网格中落入的原始检测框，分别对每个网格中的检测框做平均，得到每个网格的均值框Box，可以通过网格聚类得到每个网格内的平均框，从而有利于与判定框进行对照判定；

(4)估计判定框是否为小孩：输入待判定框，根据均值框来判断待判定框是否为小孩，判定过程为根据网格内均值框和待判定框的高度差异来判断是否为小孩，以判定框上边沿中点为基点，计算判定框上边沿中点落入的目标网格，差异标准如下：衡量均值框和待判定框的高度，如果待判定框的高度小于均值框的80％，则判断为小孩，便于对小孩框和大人框进行区分，进而能够有效增加小孩框检测精度，避免出现小孩框误判；

(5)检测框筛选分类：结合网格聚类得到的均值框对小孩框进行筛选，完成小孩和大人的区分，重复扫描目标图像，直至小孩框完全筛选后结束扫描，筛选出的小孩框可作为标注样本，参与模型训练进行监督学习，可以防止扫描出现遗漏，达到增加筛选精度的目的，同时能够参与检测框模型训练。

本发明提出的小孩检测框过滤算法，可以直接将检测到的人形框作为统计数据，再使用网格聚类法得到网格范围内的平均框高，利用平均框高和目标框高判断是否为小孩，同时能够判断目标图像中每个区域的平均框高，避免因为遮挡而导致误判，解决了现实场景中存在较多遮挡和误检，直接用检测框进行统计聚类，异常检测框会扰乱整个数据分布，导致小孩框误判较多的问题。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。