CN114495395A - 一种人形检测方法、监控预警方法、装置及系统 - Google Patents

Abstract

本发明公开了一种人形检测方法、监控预警方法、装置、系统及存储介质。涉及安全防护技术领域，其中一种人形检测方法包括：通过拍摄终端接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；根据人形关键特征数据输出人形检测结果。通过本申请公开的实施例能够通过红外线传感器和预设的识别网络模型相结合的方式，识别出人形关键特征数据，这在很大程度上降低了人形检测对静止人形画像，动物等的错误报警率，提高了正确监控预警的准确率。

Description

一种人形检测方法、监控预警方法、装置及系统

技术领域

本发明涉及安全防护技术领域，尤其是涉及一种人形检测方法、监控预警方法、装置及系统。

背景技术

智能视频监控是计算机视觉技术在安全防护领域应用的一个分支。

拍摄终端通常应用在多个场景中，在一些场景中通过拍摄终端进行监控预警时，可能会存在错误预警的现象，比如在某些较暗的场景中，存在将画像、动物、植物等识别成人的情况，从而造成错误预警。

在相关技术中，解决拍摄终端错误预警的人形检测方法主要有两种：第一种方法是：通常是通过优化神经网络结构、丰富训练模型，使模型更加丰富，覆盖多种场景。比如覆盖环境较暗的情况，背景较复杂的场景，这样在一定程度上虽可以提高识别率，但是优化后的模型无法覆盖全部场景，并且模型丰富后会使模型的体积更大，会占用更大的存储空间，对于拍照终端这种低flash容量的端侧设备并不友好，且优化算法结构对平台的算力要求也会提高，拍照终端(摄像头)等嵌入式设备由于硬件限制不存在较高的算力，且该方法对硬件等硬性条件要求会提高，使得成本增高。

在相关技术中，第二种方法是：降低识别算法的灵敏度，这样做虽然能够降低误报率，但是同时也会带来存在漏报的情况。该方法相当于牺牲部分识别正确率，换取低误报率。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种人形检测方法、监控预警方法、装置及系统，能够通过红外线传感器和预设的识别网络模型相结合的方式，识别出人形关键特征数据，以此确定出目标对象为人，这在很大程度上降低了人形检测对静止人形画像，动物等的错误检测率，提高了人形检测的准确率。

为实现上述目的，本公开实施例的第一方面提出了一种人形检测方法，包括：

接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；

根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；

利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；

根据人形关键特征数据输出人形检测结果。

在一些实施例，在接收红外线传感器反馈的红外监测信息，红外监测信息由预设的红外线传感器监测预设区域得到之前，人形检测方法还包括：

接收人形检测模式启动指令；

根据人形检测模式启动指令进入预设的人形检测模式；

根据人形检测模式，启动红外线传感器用以监测预设区域。

在一些实施例，红外监测信息至少包括以下之一：目标监测信息，接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到，包括：

获取到在红外线传感器外设置的菲涅尔透镜；

根据菲涅尔透镜监测预设区域中的目标对象，并接收菲涅尔透镜反馈的目标监测信息。

在一些实施例，根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据，包括：

对接收到的红外监测信息进行预处理，得到预设波长的红外线信息，红外线信息通过菲涅尔透镜将红外线聚焦至红外线传感器的红外感应源，使红外感应源探测目标对象得到；

根据红外感应源得到的预设波长的红外线信息，获取预设区域中目标对象的初始图像数据。

在一些实施例，根据红外感应源得到的预设波长的红外线信息，获取预设区域中目标对象的初始图像数据，包括：

根据红外感应源感应的预设波长的红外线信息，采集与目标对象对应的视频数据；

对视频数据进行解码运算，得到视频数据的编码帧；

根据预设的运算函数对编码帧中的关键帧进行位图运算，生成初始图像数据。

在一些实施例，利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据，包括：

利用识别网络模型识别初始图像数据的应用场景；

通过识别网络模型根据应用场景对初始图像数据进行识别，以生成目标图像数据；

对目标图像数据中的人形关键部位进行标注，生成人形关键特征数据。

为实现上述目的，本公开实施例的第二方面提出了一种监控预警方法，包括：

获取人形检测结果，人形检测结果通过本公开实施例公开的第一方面提出的人形检测方法得到；

根据人形检测结果获取对应人形关键特征数据；

若人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警；

若人形关键特征数据的置信度小于置信度阈值时，则不进行报警。

为实现上述目的，本公开实施例的第三方面提出了一种人形检测装置，包括：

接收模块，用于接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；

获取模块，用于根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；

识别模块，用于利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；

输出模块，用于根据人形关键特征数据输出人形检测结果。

为实现上述目的，本公开实施例的第四方面提出了一种人形检测系统，包括：

一种人形检测装置；

拍摄终端；所述拍摄终端包括红外线传感器；

所述人形检测装置执行：

如上述第一方面所述的一种人形检测方法。

为实现上述目的，本公开实施例的第五方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：

如上述第一方面所述的一种人形检测方法。

根据本发明实施例的一种人形检测方法、监控预警方法、装置及系统，至少具有如下有益效果：

本公开实施例提出的一种人形检测方法、监控预警方法、装置及系统，首先通过拍摄终端接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；根据人形关键特征数据输出人形检测结果；根据人形检测结果，若人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警；若人形关键特征数据的置信度小于置信度阈值时，则不进行报警。通过本公开实施例能够通过红外线传感器和预设的识别网络模型相结合的方式，识别出人形关键特征数据，以此确定出目标对象为人，这在很大程度上降低了人形检测对静止人形画像，动物等的错误报警率，提高了正确监控预警的准确率。

本发明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，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明提供的一种人形检测方法的第一具体流程示意图；

图2为图1中步骤S100之前对一种人形检测方法补充的第二具体流程示意图；

图3为图1中步骤S100的一具体流程示意图；

图4为图1中步骤S200的一具体流程示意图；

图5为图4中步骤S220的一具体流程示意图；

图6为图1中步骤S300的一具体流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

首先，对本申请中涉及的若干名词进行解析：

拍摄终端：又叫做摄像头(CAMERA或WEBCAM)，又称为电脑相机、电脑眼、电子眼等，是一种视频输入设备，被广泛的运用于视频会议、远程医疗及红外监控等方面。普通的人也可以彼此通过摄像头在网络进行有影像、有声音的交谈和沟通。另外，人们还可以将其用于当前各种流行的数码影像、影音处理等。

红外线传感器：也叫做PIR，其是利用红外线来进行数据处理的一种传感器，有灵敏度高等优点，红外线传感器可以控制驱动装置的运行。红外线传感器特别是利用远红外线范围的感度做为人体检出用，红外线的波长比可见光长而比电波短。

移动终端设备：在本申请的实施例中，指计算机、智能手机、平板等可以进行通信的终端设备。

菲涅尔透镜：又名螺纹透镜，通常是由聚烯烃材料注压而成的薄片，也有玻璃制作的，镜片表面一面为光面，另一面刻录了由小到大的同心圆，它的纹理是根据光的干涉及扰射以及相对灵敏度和接收角度要求来设计的，用以监测预设区域中的目标对象。

CNN：Convolutional Neural Networks,卷积神经网络，简称CNN，是一种前馈神经网络。

RNN：Recurrent Neural Networks,循环神经网络，简称RNN，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

R-CNN网络：Region-based Convolutional Neural Networks，或RegionswithCNN features，简称R-CNN，是将候选区域算法SelectiveSearch和卷积神经网络相结合的算法，其使得检测速度和精度明显提升。

FastRCNN网络：是一种二阶段的目标检测方法，FastRCNN是对R_CNN的改进，是基于深度学习R-CNN系列目标检测最好的方法。

在一些场景中通过拍摄终端进行监控预警时，可能会存在错误预警的现象，比如在某些较暗的场景中，存在将画像、动物、植物等识别成人的情况，从而造成错误预警。

基于此，本公开实施例提供一种人形检测方法、监控预警方法、装置及系统，能够降低错误报警率，提高了正确监控预警的准确率。

其具体通过如下实施例进行说明，首先描述本公开实施例中的人形检测方法。

如图1所示，其为本申请实施例提供的一种人形检测方法的实施流程示意图，人形检测方法可以包括但不限于步骤S100至S400。

S100，接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；

S200，根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；

S300，利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；

S400，根据人形关键特征数据输出人形检测结果。

在一些实施例的步骤S100中，接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到。可以理解的是，拍摄终端根据预设在其内部的红外线传感器和镜头监测预设区域，并通过红外线传感器将监视预设区域的监视情况反馈给拍摄终端。其中红外监测信息可以为通过红外线传感器所感应到的预设区域内的红外线信息情况。

需要说明的是，预设区域为用户需要进行监控预警的区域，比如厂区门口区域、公司门口区域等，此区域可根据用户需求进行变更，在本申请公开的实施例中不作进一步限定。

在一些实施例的步骤S200中，根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据。可以理解的是，拍摄终端根据红外线传感器反馈的红外监测信息，并记录下当红外监测信息中存在红外线信息时的监测情况，并根据该监测情况，采集在监测预设区域时该预设区域存在红外线信息的初始图像数据。

进一步地，其可以首先通过对接收到的目标监测信息进行预处理，得到红外线信息，再通过菲涅尔透镜将红外线信息聚焦至红外线传感器的红外感应源，根据红外感应源的感应信息，采集初始图像数据。

需要说明的是，其中红外线的波长为预设波长，预设波长为：8μm～14μm，可以理解的是，正常情况下，人体具有恒定体温，一般为37摄氏度左右，而此时人体会发出波长为 8μm～14μm范围的红外线，拍摄终端通过红外线传感器监测预设区域时，当监测到存在预设波长的红外线，即将此时对应的图像记录下来，采集出对应的初始图像数据。

在一些现实场景中，由于动物、植物等在某些特定条件下也可以发出预设波长的红外线，因此，不能够详细区分出监测画面中的人物，基于此在一些实施例的步骤S300中，本申请实施例还公开了利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据。可以理解的是，其具体执行步骤可以为：首先将初始图像数据输入识别网络模型中进行识别学习，生成目标图像数据，再对目标图像数据中的人形关键部位进行标注，生成人形关键特征数据。因此，能够区分出初始图像数据中的人形数据，用以根据生成人形关键特征数据进行预警。

需要说明的是，识别网络模型可以为FastRCNN网络，其是一种二阶段的目标检测方法， FastRCNN是对R_CNN的改进，是基于深度学习R-CNN系列目标检测最好的方法。

进一步地，人形关键特征数据指通过锚框识别到的人脸面部数据、身高数据、腰围数据等可以判断出人形的人形关键部位数据。

在一些实施例的步骤S400中，根据人形关键特征数据输出人形检测结果。可以理解的是，拍摄终端的处理器根据步骤S300生成的人形关键特征数据输出人形检测结果的检测信息，即检测到预设区域中的目标对象为人，而不是植物、动物等。

在一些实施例中，参考图2所示，在执行步骤S100之前，一种人形检测方法还可以包括但不限于步骤S101至S103。

S101，接收人形检测模式启动指令；

S102，根据人形检测模式启动指令进入预设的人形检测模式；

S103，根据人形检测模式，启动红外线传感器用以监测预设区域。

在一些实施例的步骤S101中，接收人形检测模式启动指令。可以理解的是，拍摄终端接收到来自用户的操作，拍摄终端的处理器发出人形检测模式启动指令，然后根据人形检测模式的启动指令使得拍摄终端进入人形检测模式。

需要说明的是，拍摄终端有多种模式，每种模式所执行的功能不同，每种模式根据用户需求的操作命令，可随时打开对应的需求模式，并关闭需求模式。

在一些实施例的步骤S102中，根据人形检测模式启动指令进入预设的人形检测模式。可以理解的是，拍摄终端根据步骤S101得到的人形检测模式启动指令，进入到人形检测模式下，从而在人形检测模式下去监测预设区域，并根据该模式下预设的识别网络模型识别检测到的初始图像数据，从而识别出人形关键特征数据，并根据人形关键特征数据输出人形检测结果。

在一些实施例的步骤S103中，根据人形检测模式，启动红外线传感器用以监测预设区域。可以理解的是，拍摄终端根据步骤S102进入人形检测模式之后，启动红外线传感器，其中启动红外线传感器的方式可以为程序自动启动，即拍摄终端在进入人形检测模式之后，便直接开启红外线传感器，从而根据红外线传感器监测预设区域。

需要说明的是，当拍摄终端接收到用户需求，退出人形检测模式，伴随着退出人形检测模式关闭指令，也停止红外线传感器的工作，不再进行红外线监测。

在一些实施例中，参考图3所示，步骤S100还可以包括但不限于步骤S110至S120。

S110，获取到在红外线传感器外设置的菲涅尔透镜；

S120，根据菲涅尔透镜监测预设区域中的目标对象，并接收菲涅尔透镜反馈的目标监测信息。

在一些实施例的步骤S110中，获取到在红外线传感器外设置的菲涅尔透镜。可以理解的是，拍摄终端获取到在红外线传感器外设置的菲涅尔透镜，其中，通常包装在红外线传感器外部。

需要说明的是，菲涅尔透镜为又名螺纹透镜，通常是由聚烯烃材料注压而成的薄片，也有玻璃制作的，镜片表面一面为光面，另一面刻录了由小到大的同心圆，它的纹理是根据光的干涉及扰射以及相对灵敏度和接收角度要求来设计的，用以监测预设区域中的目标对象。

在一些实施例的步骤S120中，根据菲涅尔透镜监测预设区域中的目标对象，并接收菲涅尔透镜反馈的目标监测信息。可以理解的是，拍摄终端根据菲涅尔透镜监测预设区域中的目标对象，其中，目标对象为预设区域中所有的生物，包括人、动物、植物等，拍摄终端接收到菲涅尔透镜监测到的目标对象的信息，即目标检测信息。

在一些实施例中，参考图4所示，步骤S200还可以包括但不限于步骤S210至S220。

S210，对接收到的红外监测信息进行预处理，得到预设波长的红外线信息，红外线信息通过菲涅尔透镜将红外线聚焦至红外线传感器的红外感应源，使红外感应源探测目标对象得到；

S220，根据红外感应源感应的预设波长的红外线信息，采集与目标对象对应的初始图像数据。

在一些实施例的步骤S210中，对接收到的红外监测信息进行预处理，得到预设波长的红外线信息，红外线信息通过菲涅尔透镜将红外线聚焦至红外线传感器的红外感应源，使红外感应源探测目标对象得到。可以理解的是，拍摄终端对步骤S120中得到的目标监测信息进行预处理，从而得到红外线信息，其具体执行步骤可以为：首先对目标监测信息进行分析处理，生成目标分析数据，再根据目标分析数据，从目标监测信息中筛选出红外线信息；目标对象在预设区域中会发出预设波长的红外线，而拍摄终端通过步骤S110得到的菲涅尔透镜将红外线聚焦至红外线传感器的红外感应源。

对接收到的红外监测信息进行预处理，得到预设波长的红外线信息，还包括：对目标监测信息进行分析处理，生成目标分析数据。可以理解的是，拍摄终端的处理器对目标监测信息进行分析处理，生成了目标分析数据，即目标监测信息也包括监测到的其它波长的数据信息，对其进行分析，使其波长信息对应着波长所映射的数据信息。因此，生成了目标分析数据，再根据目标分析数据，从目标监测信息中筛选出红外线信息。

需要说明的是，从众多目标监测信息中，根据预设波长的波长信息，筛选出红外线信息，仅筛选出波长为8μm～14μm范围的红外线。

在一些实施例的步骤S220中，根据红外感应源感应的预设波长的红外线信息，采集与目标对象对应的初始图像数据。可以理解的是，其具体执行步骤可以为：首先拍摄终端根据红外感应源的感应信息，采集与红外线信息对应的视频数据，对视频数据进行解码运算，得到视频数据的编码帧，根据预设的运算函数对编码帧中的关键帧进行位图运算，生成初始图像数据，该感应信息即为红外感应源感应到的预设波长的红外线信息。

需要说明的是，视频数据包括三类编码帧：关键帧(I帧)，预测帧(P帧)和内插双向帧(B帧)。

更进一步地，关键帧按JPEG标准编码，独立于其他编码帧，它是拍摄终端视频数据中唯一可存取的帧，通常每12帧出现一次。

在一些实施例中，参考图5所示，步骤S220还可以包括但不限于步骤S221至S223。

S221，根据红外感应源感应的预设波长的红外线信息，采集与目的对象对应的视频数据；

S222，对视频数据进行解码运算，得到视频数据的编码帧；

S223，根据预设的运算函数对编码帧中的关键帧进行位图运算，生成初始图像数据。

在一些实施例的步骤S221中，根据红外感应源的感应信息，采集与红外线信息对应的视频数据，其中感应信息为红外感应源感应到的预设波长的红外线信息。可以理解的是，拍摄终端的处理器先接收到红外感应源的感应信息，再根据红外感应源的感应信息，采集与红外线信息对应的视频数据，即采集监测到目标监测信息中存在红外线信息的视频数据。

需要说明的是，红外感应源通常采用热释电元件，在接收到预设区域中的目标对象辐射温度发生变化时就会失去电荷平衡，向外释放电荷，后续电路经过检测处理后就能产生报警信号，从而生成感应信息。

在一些实施例的步骤S222中，对视频数据进行解码运算，得到视频数据的编码帧。可以理解的是，拍摄终端的处理器先对通过步骤S221采集到的视频数据进行解码运算，得到视频数据的多个编码帧。再通过截取连续的关键帧，以帧为单位连续存放在拍摄终端内存的缓冲区中。

需要说明的是，视频数据包括三类编码帧：关键帧，预测帧和内插双向帧。

在一些实施例的步骤S223中，根据预设的运算函数对编码帧中的关键帧进行位图运算，生成初始图像数据。可以理解的是，根据预设的运算函数，对步骤S222中的关键帧进行运算，再将缓冲区中的连续的两帧转化为位图形式数据，并存储在另外内存空间中，从而生成初始图像数据。

需要说明的是，缓冲区，可以为flash闪存，用于暂时存取数据，而另外的内存空间可以为硬盘等具有存储功能的硬件设备，用于长期保存数据。

在一些实施例中，参考图6所示，步骤S300还可以包括但不限于步骤S310至S330。

S310，利用识别网络模型识别初始图像数据的应用场景；

S320，通过识别网络模型根据应用场景对初始图像数据进行识别，以生成目标图像数据；

S330，对目标图像数据中的人形关键部位进行标注，生成人形关键特征数据。

在一些实施例的步骤S310中，利用预设的识别网络模型识别初始图像数据对应的应用场景。可以理解的是，应用场景可以包括光线充足的场景、光线黑暗的场景、37摄氏度左右的场景、预设温度的场景以及常规生活场景等，通过识别网络模型去识别初始图像数据所对应的应用场景。

需要说明的是，该识别网络模型可以为预设的深度学习模型，该算法的实现可以使用Fa ster-RCNN，为第三方开发的算法库，在本申请的实施例中不做进一步的限定。

在一些实施例的步骤S320中，通过识别网络模型根据应用场景对初始图像数据进行识别，以生成目标图像数据。可以理解的是，初始图像数据即包括含有目标对象的图像数据，其中该目标对象指能够发出波长为8μm～14μm范围的红外线信息，根据应用场景将初始图像数据转化为对应的图像格式，再获取初始图像数据中预设候选区域的图像特征，并将图像特征输入分类器进行特征匹配，从而得到目标图像数据。

进一步地，识别网络模型是指具有人形检测算法的神经网络模型，能够处理初始图像数据，并识别出目标图像数据，通过卷积、池化等操作，提取出仅有目标对象的图像数据即目标图像数据。

在一些实施例的步骤S330中，对目标图像数据中的人形关键部位进行标注，生成人形关键特征数据。可以理解的是，在生成目标图像数据之后，对目标图像数据中的人形关键部位进行标注，可以用多个锚框进行标注，设置原点建立坐标系，从而确定出人形关键部位中的每个关键部位所对应的坐标，记录每个关键部位所对应的坐标数据，即人形关键特征数据。根据该人形关键特征数据即可判断出目标对象为人，因此，能够根据人形关键特征数据进行预警。

本公开实施例的技术方案，能够通过红外线传感器和预设的识别网络模型相结合的方式，识别出人形关键特征数据，以此确定出目标对象为人，这在很大程度上降低了人形检测对静止人形画像，动物等的错误检测率，提高了人形检测的准确率。

另外，本公开实施例还提供一种监控预警方法，包括：

获取人形检测结果，人形检测结果通过本公开实施例公开的第一方面提出的人形检测方法得到；

根据人形检测结果获取对应人形关键特征数据；

若人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警；

若人形关键特征数据的置信度小于置信度阈值时，则不进行报警。

根据人形检测结果，若人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警，可以理解的是，先利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据，再通过该识别网络模型输出人形关键特征数据的置信度数值，将人形关键特征数据对应的置信度数值与预设灵敏度的置信度阈值进行比较处理，如果人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警。

需要说明的是，预警可以为将生成的预警信息发送至预设的移动终端设备、电子邮箱等，在某些场景设置下可以通过拍摄终端发出报警信号的警报声音。

进一步地，如果人形关键特征数据的置信度小于置信度阈值时，则不进行报警。

本公开实施例的技术方案，能够根据人形检测方法得到的人形检测结果，当满足预设的条件时能够及时的进行报警，从而提高了正确对人形检测监控预警的准确率。

另外，本公开实施例还提供一种人形检测装置，可以实现上述人形检测方法，该装置包括：

接收模块，用于接收预设的红外线传感器反馈的红外监测信息，红外监测信息由红外线传感器监测预设区域得到；

获取模块，用于根据红外监测信息存在预设波长的红外线信息的监测情况，获取预设区域的初始图像数据；

识别模块，用于利用预设的识别网络模型识别初始图像数据，识别出人形关键特征数据；

输出模块，用于根据人形关键特征数据输出人形检测结果。

本公开实施例提出的一种人形检测装置，通过实现上述一种人形检测方法，能够通过红外线传感器和预设的识别网络模型相结合的方式，识别出人形关键特征数据，以此确定出目标对象为人，这在很大程度上降低了人形检测对静止人形画像，动物等的错误报警率，提高了正确监控预警的准确率。

另外，本公开实施例还提供一种人形检测系统，该系统包括：

一种人形检测装置；

拍摄终端；所述拍摄终端包括红外线传感器；

所述人形检测装置执行：

如本公开实施例第一方面提供的一种人形检测方法。

另外，本公开实施例还提供存储介质存储有可执行指令，可执行指令能被计算机执行，使计算机执行如本发明第一方面提供的一种人形检测方法、本发明第二方面提供的一种监控预警方法。

存储器作为一种非暂态存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。

本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，在本申请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，本申请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，包括多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)执行本申请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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

Claims (10)

1.一种人形检测方法，其特征在于，应用于拍摄终端，所述一种人形检测方法包括：

接收预设的红外线传感器反馈的红外监测信息，所述红外监测信息由所述红外线传感器监测预设区域得到；

根据所述红外监测信息存在预设波长的红外线信息的监测情况，获取所述预设区域的初始图像数据；

利用预设的识别网络模型识别所述初始图像数据，识别出人形关键特征数据；

根据所述人形关键特征数据输出人形检测结果。

2.根据权利要求1所述的一种人形检测方法，其特征在于，在所述接收所述红外线传感器反馈的红外监测信息，所述红外监测信息由预设的红外线传感器监测预设区域得到之前，所述一种人形检测方法还包括：

接收人形检测模式启动指令；

根据所述人形检测模式启动指令进入预设的人形检测模式；

根据所述人形检测模式，启动所述红外线传感器用以监测所述预设区域。

3.根据权利要求2所述的一种人形检测方法，其特征在于，所述红外监测信息至少包括以下之一：目标监测信息，所述接收预设的红外线传感器反馈的红外监测信息，所述红外监测信息由所述红外线传感器监测预设区域得到，包括：

获取到在所述红外线传感器外设置的菲涅尔透镜；

根据所述菲涅尔透镜监测所述预设区域中的目标对象，并接收所述菲涅尔透镜反馈的所述目标监测信息。

4.根据权利要求3所述的一种人形检测方法，其特征在于，所述根据所述红外监测信息存在预设波长的红外线信息的监测情况，获取所述预设区域的初始图像数据，包括：

对接收到的所述红外监测信息进行预处理，得到预设波长的所述红外线信息，所述红外线信息通过所述菲涅尔透镜将红外线聚焦至所述红外线传感器的红外感应源，使所述红外感应源探测目标对象得到；

根据所述红外感应源得到的所述预设波长的红外线信息，获取所述预设区域中所述目标对象的所述初始图像数据。

5.根据权利要求4所述的一种人形检测方法，其特征在于，所述根据所述红外感应源得到的所述预设波长的红外线信息，获取所述预设区域中所述目标对象的所述初始图像数据，包括：

根据所述红外感应源感应的所述预设波长的红外线信息，采集与所述目标对象对应的视频数据；

对所述视频数据进行解码运算，得到所述视频数据的编码帧；

根据预设的运算函数对所述编码帧中的关键帧进行位图运算，生成所述初始图像数据。

6.根据权利要求1至5任一项所述的一种人形检测方法，其特征在于，所述利用预设的识别网络模型识别所述初始图像数据，识别出人形关键特征数据，包括：

利用所述识别网络模型识别所述初始图像数据的应用场景；

通过所述识别网络模型根据所述应用场景对所述初始图像数据进行识别，以生成目标图像数据；

对所述目标图像数据中的人形关键部位进行标注，生成所述人形关键特征数据。

7.一种监控预警方法，其特征在于，所述监控预警方法，包括：

获取人形检测结果，所述人形检测结果通过权利要求1至6任一项所述的一种人形检测方法得的；

根据所述人形检测结果获取对应的人形关键特征数据；

若人形关键特征数据的置信度大于或等于预设灵敏度的置信度阈值时，则生成预警信息并进行报警；

若所述人形关键特征数据的置信度小于所述置信度阈值时，则不进行报警。

8.一种人形检测装置，其特征在于，所述装置，包括：

接收模块，用于接收预设的红外线传感器反馈的红外监测信息，所述红外监测信息由所述红外线传感器监测预设区域得到；

获取模块，用于根据所述红外监测信息存在预设波长的红外线信息的监测情况，获取所述预设区域的初始图像数据；

识别模块，用于利用预设的识别网络模型识别所述初始图像数据，识别出人形关键特征数据；

输出模块，用于根据所述人形关键特征数据输出人形检测结果。

9.一种人形检测系统，其特征在于，所述系统，包括：

一种人形检测装置；

拍摄终端，所述拍摄终端包括红外线传感器；

所述一种人形检测装置执行：

如权利要求1至6任一项所述的一种人形检测方法。

10.一种存储介质，其特征在于，所述一种存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行：

如权利要求1至6任一项所述的一种人形检测方法。

Images