本發(fā)明涉及圖像跟蹤
技術(shù)領(lǐng)域：
，特別是涉及視頻流中行人檢測方法與系統(tǒng)。
背景技術(shù)：
：視頻流中行人檢測技術(shù)目前廣泛應(yīng)用于智能家居及工業(yè)安防領(lǐng)域。行人檢測技術(shù)通過對前端攝像頭采集的視頻流逐幀分析獲得行人區(qū)域，并以此為觸發(fā)條件將檢測得到的人行物體上報給用戶。視頻流中行人檢測技術(shù)大體分為兩類：1、基于移動目標(biāo)的檢測，該類技術(shù)通過無人的靜止圖像作為前景圖像，實時分析每一幀圖像與前景圖像的差值，對每個位置的像素建立其屬于靜止目標(biāo)或移動目標(biāo)的概率，將屬于移動目標(biāo)的位置合并聯(lián)通為行人區(qū)域，該類技術(shù)具有檢測速度快的優(yōu)點；2、基于卷積神經(jīng)網(wǎng)絡(luò)的檢測，該類技術(shù)設(shè)計對行人區(qū)域有高響應(yīng)值的卷積神經(jīng)網(wǎng)絡(luò)，將每一幀圖像通過卷積神經(jīng)網(wǎng)絡(luò)獲得其特征圖像，在特征圖像上滑窗檢測計算每個窗口的響應(yīng)值，將高響應(yīng)值的窗口輸出為行人區(qū)域，該類技術(shù)具有檢測精度高的優(yōu)點。雖然上述兩類視頻流中行人檢測技術(shù)都能實現(xiàn)行人檢測且具有各自的優(yōu)點，但基于移動目標(biāo)的檢測技術(shù)容易造成誤報，其檢測結(jié)果不準(zhǔn)確，基于卷積神經(jīng)網(wǎng)絡(luò)的檢測檢測過程數(shù)據(jù)處理復(fù)雜，效率低且結(jié)果不準(zhǔn)確。技術(shù)實現(xiàn)要素：基于此，有必要針對一般視頻流中行人檢測技術(shù)檢測效率低且檢測結(jié)果不準(zhǔn)確的問題，提供一種檢測效率高且檢測結(jié)果準(zhǔn)確的視頻流中行人檢測方法與系統(tǒng)。一種視頻流中行人檢測方法，包括步驟：獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域；通過基于分治的合并算法將每張圖像的移動目標(biāo)區(qū)域拼接成單張大圖，獲得拼接圖像；通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)果。一種視頻流中行人檢測系統(tǒng)，包括：分割模塊，用于獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域；拼接模塊，用于通過基于分治的合并算法將每張圖像的移動目標(biāo)區(qū)域拼接成單張大圖，獲得拼接圖像；檢測模塊，用于通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)果。本發(fā)明視頻流中行人檢測方法與系統(tǒng)，獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域，通過基于分治的合并算法將拼接成單張大圖，獲得拼接圖像，通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)。整個過程中，通過分治的區(qū)域合并算法將移動目標(biāo)檢測算法和卷積神經(jīng)網(wǎng)絡(luò)行人檢測算法高效的結(jié)合在一起，實現(xiàn)高效且準(zhǔn)確對視頻流中行人檢測。附圖說明圖1為本發(fā)明視頻流中行人檢測方法第一個實施例的流程示意圖；圖2為本發(fā)明視頻流中行人檢測方法第二個實施例的流程示意圖；圖3至圖7為在本發(fā)明視頻流中行人檢測方法其中一個應(yīng)用實例中，每張圖片的移動目標(biāo)區(qū)域填充過程示意圖；圖8為本發(fā)明視頻流中行人檢測系統(tǒng)第一個實施例的結(jié)構(gòu)示意圖；圖9為本發(fā)明視頻流中行人檢測系統(tǒng)第一個實施例的結(jié)構(gòu)示意圖。具體實施方式為了清楚解釋說明本發(fā)明視頻流中行人檢測方法與系統(tǒng)的技術(shù)方案，下面將針對后續(xù)內(nèi)容中出現(xiàn)的符號定義進(jìn)行說明，具體如下表1、表2、表3以及表4所示。表1為符號與定義第一對應(yīng)表符號idxfullvalidroi說明移動幀側(cè)區(qū)域序號最終合并后的圖像可填充區(qū)域真實填充區(qū)域表2為符號與定義第二對應(yīng)表符號rightdown說明填充后右側(cè)剩余區(qū)域填充后下方剩余區(qū)域表3為符號與定義第三對應(yīng)表表4為符號與定義第四對應(yīng)表如圖1所示，一種視頻流中行人檢測方法，其特征在于，包括步驟：S200：獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域。獲取多路視頻流，并且針對每路視頻分別進(jìn)行移動目標(biāo)檢測，在檢測之后分割出每張圖片的移動目標(biāo)區(qū)域。在這里，獲取視頻流的方式可以是采用相機(jī)等視頻拍攝設(shè)備實時采集，也可以是外部存儲的數(shù)據(jù)直接獲取導(dǎo)入的視頻流。在分割出的每張圖片的移動目標(biāo)區(qū)域中可能有行人也可能沒有行人。S400：通過基于分治的合并算法將每張圖像的移動目標(biāo)區(qū)域拼接成單張大圖，獲得拼接圖像。針對步驟S200獲得的每張圖片的移動目標(biāo)區(qū)域進(jìn)行拼接，具體采用分治的合并算法進(jìn)行拼接，獲得拼接圖像。S600：通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)主要用來識別位移、縮放及其他形式扭曲不變性的圖形。卷積神經(jīng)網(wǎng)絡(luò)可以并行學(xué)習(xí)，另外，卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在語音識別和圖像處理方面有著獨特的優(yōu)越性，其布局更接近于實際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜性，特別是多維輸入向量的圖像可以直接輸入網(wǎng)絡(luò)這一特點避免了特征提取和分類過程中數(shù)據(jù)重建的復(fù)雜度。在這里，采用卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)果。由于卷積神經(jīng)網(wǎng)絡(luò)只需針對單個圖像(拼接圖像)進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，在進(jìn)行視頻流中行人檢測過程需要處理的數(shù)據(jù)量已經(jīng)大大減小。非必要的，在獲得檢測結(jié)果可以將檢測結(jié)果推送至用戶，推送方式可以采用遠(yuǎn)程數(shù)據(jù)傳輸，例如通過無線網(wǎng)絡(luò)遠(yuǎn)程傳輸方式推送，以便用戶及時且準(zhǔn)確了解視頻流中行人檢測結(jié)果。本發(fā)明視頻流中行人檢測方法，獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域，通過基于分治的合并算法將拼接成單張大圖，獲得拼接圖像，通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)。整個過程中，通過分治的區(qū)域合并算法將移動目標(biāo)檢測算法和卷積神經(jīng)網(wǎng)絡(luò)行人檢測算法高效的結(jié)合在一起，實現(xiàn)高效且準(zhǔn)確對視頻流中行人檢測。如圖2所示，在其中一個實施例中，步驟S200包括：S220：通過分布式服務(wù)器集群應(yīng)用移動目標(biāo)檢測算法，并行檢測每路視頻流中每一幀的移動區(qū)域，獲得移動區(qū)域檢測結(jié)果。分布式服務(wù)器集群是指一定數(shù)量服務(wù)器分布式設(shè)置，通過這些分布服務(wù)器群，能夠第一時間對獲取的視頻流進(jìn)行并行處理。在每個服務(wù)器內(nèi)應(yīng)用移動目標(biāo)檢測算法，每個服務(wù)器處理自身獲取的一路視頻流，并行檢測該路視頻流中每一幀的移動區(qū)域。S240：根據(jù)移動區(qū)域檢測結(jié)果，分割出每張圖片的移動目標(biāo)區(qū)域。針對步驟S220中檢測得到的每路視頻流中每一幀的移動區(qū)域，分割出每張圖片的移動目標(biāo)區(qū)域。具體來說，輸入多視頻流通過并行服務(wù)器的移動目標(biāo)檢測算法獲得所有待合并(檢測)的移動區(qū)域。Q{Iidx}＝{I1,I2...IN}，idx∈[1,N]，Q{Sidx}＝{S1,S2...SN}。如圖2所示，在其中一個實施例中，步驟S400包括：S420：獲取卷積神經(jīng)網(wǎng)絡(luò)中設(shè)定的固定寬度與高度值。卷積神經(jīng)網(wǎng)絡(luò)中設(shè)定的固定寬度與高度值是基于行業(yè)準(zhǔn)則設(shè)定好的數(shù)值，可以將卷積神經(jīng)網(wǎng)絡(luò)處理圖片的尺寸大小理解為一個處理窗口的大小，這個窗口固定有寬度和高度，而這個寬度和高度即為卷積神經(jīng)網(wǎng)絡(luò)中設(shè)定的固定寬度與高度值。S440：根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型中設(shè)定的固定寬度與高度值，確定拼接圖像的初始矩形區(qū)域大小，獲得初始拼接圖像。最終獲得的拼接圖像的尺寸大小即為卷積神經(jīng)網(wǎng)絡(luò)中固定寬度與高度值。簡單來說，在這里劃設(shè)一個拼接圖像的矩形區(qū)域，這個矩形區(qū)域的寬度與高度值等于卷積神經(jīng)網(wǎng)絡(luò)模型中設(shè)定的固定寬度與高度值。S460：根據(jù)每張圖片的移動目標(biāo)區(qū)域的高度值，對每張圖片的移動目標(biāo)區(qū)域根據(jù)高度值由大到小進(jìn)行優(yōu)先級排序，獲得移動目標(biāo)區(qū)域排序集合。在步驟S200獲得的每張圖片的移動目標(biāo)區(qū)域中，有的圖片的移動目標(biāo)區(qū)域的高度大、有的小，為了將一定數(shù)量的圖片的移動目標(biāo)區(qū)域填充至步驟S440劃設(shè)好的矩形區(qū)域中(初始拼接圖像)，需要對每張圖片的移動目標(biāo)區(qū)域的高度值由大到小進(jìn)行優(yōu)先級排序。具體來說，高度值越大的圖片的移動目標(biāo)區(qū)域?qū)?yīng)的優(yōu)先級越高。即在移動目標(biāo)區(qū)域排序集合中元素(每張圖片的移動目標(biāo)區(qū)域)對應(yīng)的高度值依次減小。S480：根據(jù)優(yōu)先級順序依次將每張圖片的移動目標(biāo)區(qū)域填充至初始拼接圖像，獲得每張圖像的移動目標(biāo)區(qū)域拼接成的無縫單張大圖。由于初始矩形區(qū)域大小有限，為了將每張圖片的移動目標(biāo)區(qū)域合理填充至初始拼接圖像，在這里需要根據(jù)優(yōu)先級順序依次填充。具體來說，優(yōu)先級越高的圖片的移動目標(biāo)區(qū)域優(yōu)先填充，即高度值越大的圖片的移動目標(biāo)區(qū)域的越先填充，最終獲得每張圖像的移動目標(biāo)區(qū)域拼接成的無縫單張大圖。非必要的，在其中一個實施例中，步驟S480包括：步驟一：在初始拼接圖像中構(gòu)建坐標(biāo)，其中，初始拼接圖像的任意一個角作為坐標(biāo)原點，坐標(biāo)X軸表征移動目標(biāo)區(qū)的寬度，坐標(biāo)Y軸表征移動目標(biāo)區(qū)的高度。具體來說，初始拼接圖像Ifull為一個初始化的形狀，該形狀寬高即為卷積神經(jīng)網(wǎng)絡(luò)模型接受的固定寬高。初始化的形狀記為Sfull?？臻g坐標(biāo)系原點建于Ifull的任意一個角即可(在這里選擇左上角)，即X(Sfull)＝0，Y(Sfull)＝0。步驟二：確定當(dāng)前可填充區(qū)域，初始時，可填充區(qū)域為初始拼接圖像。當(dāng)前可填充區(qū)域Svalid是一個變化的區(qū)域，在每次填充之后可填充區(qū)域大小將會減小。在初始時，可填充區(qū)域為初始拼接圖像Svalid＝Sfull，且初始時Ifull所有像素點為0，即可以將初始拼接圖像理解為一種大小固定且已知的白紙。步驟三：從移動目標(biāo)區(qū)域排序集合中第一元素開始，查找圖片的移動目標(biāo)區(qū)域的寬度值與高度值均小于或等于當(dāng)前可填充區(qū)域的寬度值與高度值的元素。從移動目標(biāo)區(qū)域排序集合中第一個Sidx開始遍歷Q{Sidx}，選取Si滿足h(Si)≤h(Svalid)且w(Si)≤w(Svalid)。步驟四：若查找到，則確定當(dāng)前真實填充區(qū)域，并將查找到的圖片的移動目標(biāo)區(qū)域的像素填充至當(dāng)前真實填充區(qū)域，其中，當(dāng)前真實填充區(qū)域的高度值等于查找到的圖片的移動目標(biāo)區(qū)域的高度值，當(dāng)前真實填充區(qū)域的寬度值等于查找到的圖片的移動目標(biāo)區(qū)域的寬度值，當(dāng)前真實填充區(qū)域的起始點為當(dāng)前可填充區(qū)域四個方位角中與坐標(biāo)原點方位相同的一個角，即若步驟一中坐標(biāo)原點為初始拼接圖像的左上角，那么當(dāng)前真實填充區(qū)域的起始點為當(dāng)前可填充區(qū)域的左上角。若查找到合格的Si，則確定當(dāng)前真實填充區(qū)域Sroi，將查找到的圖片的移動目標(biāo)區(qū)域Si的像素填充至當(dāng)前真實填充區(qū)域Sroi，當(dāng)前真實填充區(qū)域Sroi為：X(Sroi)＝X(Svalid)，Y(Sroi)＝Y(jié)(Svalid)；h(Sroi)＝h(Si)，w(Sroi)＝w(Si)。步驟五：計算填充后真實填充區(qū)域X軸方向側(cè)剩余的可填充區(qū)域以及Y軸方向側(cè)剩余的可填充區(qū)域。計算步驟四填充后在X軸方向側(cè)剩余的可填充區(qū)域Sright，具體來說，由于坐標(biāo)原點為初始拼接圖像中任意一個角，以其左上角為例，X軸方向側(cè)剩余的可填充區(qū)域，即為其右側(cè)剩余的可填充區(qū)域，其具體為：X(Sright)＝X(Svalid)+w(Si)，Y(Sright)＝Y(jié)(Svalid)；w(Sright)＝w(Svalid)-w(Si)，h(Sright)＝h(Si)。同理，Y軸方向側(cè)剩余的可填充區(qū)域，即為下方剩余的可填充區(qū)域，其具體為：X(Sdown)＝X(Svalid)，Y(Sdown)＝Y(jié)(Svalid)+h(Si)；w(Sdown)＝w(Svalid)，h(Sdown)＝h(Svalid)-h(Si)。步驟六：分別使用真實填充區(qū)域X軸方向側(cè)剩余的可填充區(qū)域以及Y軸方向側(cè)剩余的可填充區(qū)域作為當(dāng)前可填充區(qū)域，返回確定當(dāng)前可填充區(qū)域的步驟。設(shè)X軸方向側(cè)剩余的可填充區(qū)域Svalid，即令Svalid＝Sright，返回確定當(dāng)前可填充區(qū)域的步驟，設(shè)Y軸方向側(cè)剩余的可填充區(qū)域作為當(dāng)前可填充區(qū)域Svalid，即令Svalid＝Sdown，返回確定當(dāng)前可填充區(qū)域的步驟。在這里分別將X軸方向側(cè)剩余的可填充區(qū)域以及Y軸方向側(cè)剩余的可填充區(qū)域作為當(dāng)前可填充區(qū)域，返回步驟二，當(dāng)發(fā)現(xiàn)X軸方向側(cè)剩余的可填充區(qū)域無法填充當(dāng)前Si時，嘗試在Y軸方向側(cè)剩余的可填充區(qū)域作為當(dāng)前可填充區(qū)域填充當(dāng)前Si，反之亦然，以此來循壞填充，最終遞歸終止獲得最終合并圖像。為了更進(jìn)一步詳細(xì)說明上述填充過程，下面將采用具體實例，并結(jié)合附圖3至圖7進(jìn)行詳細(xì)說明。1、如圖3所示，為Ifull設(shè)置一個初始化的形狀，記錄為Sfull，空間坐標(biāo)系原點建于Ifull的左上角，即Sfull，Y(Sfull)＝0，令Svalid＝Sfull。初始化Ifull所有像素點為0。2、如圖4所示，根據(jù)高優(yōu)先準(zhǔn)則，排序Q{S}，使其中的形狀按照高度由高到低排列即當(dāng)滿足i＜j，h(Si)≥h(Sj)。3、如圖5所示，根據(jù)可填充區(qū)域選取Si，從第一個Sidx開始遍歷Q{Sidx}，選取Si滿足h(Si)≤h(Svalid)且w(Si)≤w(Svalid)。如果找到Si執(zhí)行步驟4，否則返回上一層遞歸。4、如圖5與圖6所示，填充圖像，記Sroi為真實填充區(qū)域。X(Sroi)＝X(Svalid)，Y(Sroi)＝Y(jié)(Svalid)；h(Sroi)＝h(Si)，w(Sroi)＝w(Si)。將Ii將其像素值拷貝至Ifull的Sroi區(qū)域，計算填充后右側(cè)還剩余的可填充區(qū)域：X(Sright)＝X(Svalid)+w(Si)，Y(Sright)＝Y(jié)(Svalid)；w(Sright)＝w(Svalid)-w(Si)，h(Sright)＝h(Si)。計算填充后下方還剩余的可填充區(qū)域：X(Sdown)＝X(Svalid)，Y(Sdown)＝Y(jié)(Svalid)+h(Si)；w(Sdown)＝w(Svalid)，h(Sdown)＝h(Svalid)-h(Si)。5、如圖6所示，設(shè)右側(cè)區(qū)域為填充區(qū)域執(zhí)行步驟3，即令Svalid＝Sright執(zhí)行步驟3。6、如圖6所示，設(shè)右側(cè)區(qū)域為填充區(qū)域執(zhí)行步驟3，即令Svalid＝Sdown執(zhí)行步驟3。7、如圖7所示，遞歸終止獲得最終合并圖像，當(dāng)遞歸完全終止時獲得最終圖像Ifull。如圖8所示，一種視頻流中行人檢測系統(tǒng)，包括：分割模塊200，用于獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域。拼接模塊400，用于通過基于分治的合并算法將每張圖像的移動目標(biāo)區(qū)域拼接成單張大圖，獲得拼接圖像。檢測模塊600，用于通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)果。本發(fā)明視頻流中行人檢測系統(tǒng)，分割模塊200獲取多路視頻流，對每路視頻流分別進(jìn)行移動目標(biāo)檢測，分割出每張圖片的移動目標(biāo)區(qū)域，拼接模塊400通過基于分治的合并算法將拼接成單張大圖，獲得拼接圖像，檢測模塊600通過卷積神經(jīng)網(wǎng)絡(luò)對拼接圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，獲得檢測結(jié)。整個過程中，通過分治的區(qū)域合并算法將移動目標(biāo)檢測算法和卷積神經(jīng)網(wǎng)絡(luò)行人檢測算法高效的結(jié)合在一起，實現(xiàn)高效且準(zhǔn)確對視頻流中行人檢測。如圖9所示，在其中一個實施例中，分割模塊200包括：并行處理單元220，用于通過分布式服務(wù)器集群應(yīng)用移動目標(biāo)檢測算法，并行檢測每路視頻流中每一幀的移動區(qū)域，獲得移動區(qū)域檢測結(jié)果。分割單元240，用于根據(jù)移動區(qū)域檢測結(jié)果，分割出每張圖片的移動目標(biāo)區(qū)域。如圖9所示，在其中一個實施例中，拼接模塊400包括：參數(shù)值獲取單元420，用于獲取卷積神經(jīng)網(wǎng)絡(luò)中設(shè)定的固定寬度與高度值。初始確定單元440，用于根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型中設(shè)定的固定寬度與高度值，確定拼接圖像的初始矩形區(qū)域大小，獲得初始拼接圖像。優(yōu)先級排序單元460，用于根據(jù)每張圖片的移動目標(biāo)區(qū)域的高度值，對每張圖片的移動目標(biāo)區(qū)域根據(jù)高度值由大到小進(jìn)行優(yōu)先級排序，獲得移動目標(biāo)區(qū)域排序集合。填充拼接單元480，用于根據(jù)優(yōu)先級順序依次將每張圖片的移動目標(biāo)區(qū)域填充至初始拼接圖像，獲得每張圖像的移動目標(biāo)區(qū)域拼接成的無縫單張大圖。在其中一個實施例中，填充拼接單元480包括：坐標(biāo)構(gòu)建層，用于在初始拼接圖像中構(gòu)建坐標(biāo)，其中，初始拼接圖像的任意一個角作為坐標(biāo)原點，坐標(biāo)X軸表征移動目標(biāo)區(qū)的寬度，坐標(biāo)Y軸表征移動目標(biāo)區(qū)的高度。可填充區(qū)域確定層，用于確定當(dāng)前可填充區(qū)域，初始時，可填充區(qū)域為初始拼接圖像。查找層，用于從移動目標(biāo)區(qū)域排序集合中第一元素開始，查找圖片的移動目標(biāo)區(qū)域的寬度值與高度值均小于或等于當(dāng)前可填充區(qū)域的寬度值與高度值的元素。填充層，用于若查找到，則確定當(dāng)前真實填充區(qū)域，并將查找到的圖片的移動目標(biāo)區(qū)域的像素填充至當(dāng)前真實填充區(qū)域，其中，當(dāng)前真實填充區(qū)域的高度值等于查找到的圖片的移動目標(biāo)區(qū)域的高度值，當(dāng)前真實填充區(qū)域的寬度值等于查找到的圖片的移動目標(biāo)區(qū)域的寬度值，當(dāng)前真實填充區(qū)域的起始點為當(dāng)前可填充區(qū)域四個方位角中與坐標(biāo)原點方位相同的一個角。剩余計算層，用于計算填充后真實填充區(qū)域X軸方向側(cè)剩余的可填充區(qū)域以及Y軸方向側(cè)剩余的可填充區(qū)域。遞歸層，用于分別使用真實填充區(qū)域X軸方向側(cè)剩余的可填充區(qū)域以及Y軸方向側(cè)剩余的可填充區(qū)域作為當(dāng)前可填充區(qū)域，返回確定當(dāng)前可填充區(qū)域的步驟。在其中一個實施例中，視頻流中行人檢測系統(tǒng)還包括：推送模塊，用于推送檢測結(jié)果。以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁1 2 3