买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江华是科技股份有限公司

摘要：本发明公开一种周界入侵单个人体完整识别方法及系统。其中，该方法采用基于深度学习的实例分割模型对输入的聚类结果点云判断其是否为多个目标合并，且精准地将每个人体实例单独分割出来，然后再通过人体完整性分类模型去判断每个人体是否完整，如果分类结果不完整，再通过在原始点云中邻域搜索的方法查找相关邻域点进行补全。该方法引入边界置信度这个指标，量化了一个点是否为多个目标之间的边界点的概率，并且通过边界置信度损失值增强了对边界点的分割精度，大大提升了实例分割的效果；该方法针对人体完整性分类网络耗时的问题，采用中心区域下采样的方法减少了输入点云的数量，在保证识别准确率的情况下，又大幅提升了识别速度。

主权项：1.一种周界入侵单个人体完整识别方法，其特征在于，包括：S1、获取原始人体完整性分类数据集A，将A中的每个样本点云进行中心区域下采样后，得到更新人体完整性分类数据集A1；对A1中每个样本点云进行完整和不完整标注，将标注后的A1输入到pointnet++网络中进行模型训练，得到人体完整性分类模型；S2、获取原始聚类结果实例分割数据集B，将B中的每个样本点云的每个点进行类别和编号标注；将B通过3D-BoNet网络进行模型训练，得到每个样本点云预测结果中每个点的预测编号和固有损失值；将当前样本点云的每个点以及当前样本点云预测结果中每个点采用固定距离搜索方式找出每个点对应的邻域点；根据当前点的邻域点的标注编号计算当前点的标注边界置信度；根据预测结果中当前点的邻域点的预测编号计算预测结果中当前点的预测边界置信度；根据当前样本点云中所有点的标注边界置信度和对应的预测结果中所有点的预测边界置信度得到当前样本点云的边界置信度损失值，根据当前样本点云的边界置信度损失值和固有损失值反向更新所述3D-BoNet网络，直至将所有样本点云训练完并进行多轮训练后得到实例分割模型；S3、通过激光雷达获取待识别的当前帧的原始点云，对所述待识别的当前帧的原始点云进行背景差分后聚类，得到待识别的当前帧的多个聚类结果点云；S4、根据每个聚类结果点云的矩形包围框以及预设的宽度阈值和预设的长度阈值，判断每个聚类结果点云是否为疑似多目标合并的聚类结果点云；若是，进入S5，反之，进入S6；S5、将当前疑似多目标聚类结果点云输入到所述实例分割模型中进行预测，若判定有多个目标，则将每个目标单独分割出来，进入S6；S6、将当前单目标聚类结果点云进行中心区域下采样，得到当前下采样后的点云，将所述当前下采样后的点云输入到所述人体完整性分类模型中进行预测，若判定为完整目标，则输出其对应的当前单目标聚类结果点云；反之，采用固定距离搜索方式找出当前单目标聚类结果点云的邻域点并对其进行补全后输出；所述原始人体完整性分类数据集A和原始聚类结果实例分割数据集B通过以下方式获取：通过激光雷达获取连续帧的原始点云，对所述连续帧的原始点云进行背景差分后得到每帧的差分点云；将所述每帧的差分点云进行聚类，得到每帧对应的多个聚类结果点云；判断每个聚类结果点云是否为单个人体，若是，将其作为单目标样本点云，将所有的单目标样本点云集合作为所述原始人体完整性分类数据集A；反之，将其作为多目标样本点云，将所有的多目标样本点云集合作为所述原始聚类结果实例分割数据集B；所述当前点的标注边界置信度根据以下公式计算： 其中，Sbdgt为当前点的标注边界置信度，NDiffInstance为当前点的邻域点中，其标注编号与当前点的标注编号不同的点的总数；NSameInstance为当前点的邻域点中，其标注编号与当前点的标注编号相同的点的总数。

全文数据：

权利要求：

百度查询： 浙江华是科技股份有限公司 一种周界入侵单个人体完整识别方法及系统