(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210237661.0 (22)申请日 2022.03.11 (71)申请人 深圳中智永浩机 器人有限公司 地址 518000 广东省深圳市光明区新湖街 道圳美社区圳美同富裕工业园万代恒 光明高新科技园厂房2栋一层 (72)发明人 李伟强　施健　王一科　贾林　 涂静一　张静　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 李燕娥 (51)Int.Cl. G06V 40/10(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) (54)发明名称 移动目标检测方法、 装置、 计算机设备及存 储介质 (57)摘要 本发明实施例公开了移动目标检测方法、 装 置、 计算机设备及存储介质。 所述方法包括： 获取 来自双目摄像机的图像； 对所述图像进行融合， 以得到融合图像； 将所述融合图像输入至部署在 Jetson Nano开发板 上的双阶段检测模型内进行 人体目标检测以及着装信息检测， 以得到检测结 果； 对所述检测结果进行处理， 以得到处理结果； 发送所述处理结果至机器人系统， 以供机器人系 统进行目标规避。 通过实施本发 明实施例的方法 可实现满足移动机器人实时检测移动目标的需 求， 准确率高， 且可对人体细 节进行识别， 资源消 耗低。 权利要求书1页 说明书8页 附图2页 CN 114627501 A 2022.06.14 CN 114627501 A 1.移动目标检测方法， 其特 征在于， 包括： 获取来自双目摄 像机的图像； 对所述图像进行融合， 以得到融合图像； 将所述融合图像输入至部署在Jetson  Nano开发板上的双阶段检测模型内进行人体目 标检测以及着装信息检测， 以得到检测结果； 对所述检测结果进行处 理， 以得到处 理结果； 发送所述处 理结果至 机器人系统， 以供机器人系统进行目标规避。 2.根据权利要求1所述的移动目标检测方法， 其特征在于， 所述对所述图像进行融合， 以得到融合图像， 包括： 通过RGBD视 觉融合算法对所述图像进行融合， 以得到融合图像。 3.根据权利要求1所述的移动目标检测方法， 其特征在于， 所述双阶段检测模型包括用 于检测人体目标在融合图像中的位置和形状的目标检测网络以及用于分类人体的着装外 表信息的分类网络 。 4.根据权利要求3所述的移动目标检测方法， 其特征在于， 所述目标检测网络是通过带 有人体位置和形状标签的由移动机器人移动采集和公开的人体数据集经过清洗后的数据 集训练深度学习网络所 得的。 5.根据权利要求3所述的移动目标检测方法， 其特征在于， 所述分类网络是通过对所述 目标网络检测得到的图片进 行人体的着装外表信息标注后形成的样 本集在GT X3090显卡上 训练深度学习网络所 得的。 6.根据权利要求2所述的移动目标检测方法， 其特征在于， 所述图像包括彩色图像以及 深度图像。 7.根据权利要求6所述的移动目标检测方法， 其特征在于， 所述对所述检测结果进行处 理， 以得到处 理结果， 包括： 根据所述检测结果以及深度图像进行对人体目标进行建模， 以确定人体目标距离和表 面信息， 以得到处 理结果。 8.移动目标检测装置， 其特 征在于， 包括： 图像获取 单元， 用于获取来自双目摄 像机的图像； 融合单元， 用于对所述图像进行融合， 以得到融合图像； 检测单元， 用于将所述融合图像输入至部署在Jetson  Nano开发板上的双阶段检测模 型内进行 人体目标检测以及着装信息检测， 以得到检测结果； 处理单元， 用于对所述检测结果进行处 理， 以得到处 理结果； 发送单元， 用于发送所述处 理结果至 机器人系统， 以供机器人系统进行目标规避。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7中任一项所述 的方法。 10.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 114627501 A 2移动目标 检测方法、 装置、 计算机设 备及存储介质 技术领域 [0001]本发明涉及机器人， 更具体地说是指移动目标检测方法、 装置、 计算机设备及存储 介质。 背景技术 [0002]21世纪以来， 随着机器人技术的不断成熟， 机器人技术得到了更广 泛应用。 从工业 机器人发展到服务型机器人， 机器人逐渐走入了人们的日常生活当中， 给我们带来了诸多 方便。 如清洁、 导游、 自助服务等。 随着人类物质生活水平的提高及精神生活的日益丰富， 未 来机器人将跟人类更密切的联系在一起。 2006年， 杰弗里 ·辛顿以及他的学生鲁斯兰 ·萨 拉赫丁诺夫正式提出了深度学习的概念。 随着科学技术的日益增长， 过去只能存在于理论 的深度学习技 术得以实现， 并在各个领域特别是图像领域取 得巨大成功。 [0003]传统的移动机器人在人体目标检测方面普遍存在检测精度低、 泛化能力差、 计算 机资源消耗大和无法满足实时检测需要等问题， 并且需要人工构造特征， 人力资源消耗大， 并且无法对人体的着装细节等方面识别， 只能对人体的大概轮廓进行表述。 [0004]因此， 有必要设计一种新的方法， 实现满足移动机器人实时检测移动目标的需求， 准确率高， 且可对人体细节进行识别， 资源消耗低。 发明内容 [0005]本发明的目的在于克服现有技术的缺陷， 提供移动目标检测方法、 装置、 计算机设 备及存储介质。 [0006]为实现上述目的， 本发明采用以下技 术方案： 移动目标检测方法， 包括： [0007]获取来自双目摄 像机的图像； [0008]对所述图像进行融合， 以得到融合图像； [0009]将所述融合图像输入至部署在Jetson  Nano开发板上的双阶段检测模型内进行人 体目标检测以及着装信息检测， 以得到检测结果； [0010]对所述检测结果进行处 理， 以得到处 理结果； [0011]发送所述处 理结果至 机器人系统， 以供机器人系统进行目标规避。 [0012]其进一步技术方案为： 所述对所述图像进行融合， 以得到融合图像， 包括： [0013]通过RGBD视 觉融合算法对所述图像进行融合， 以得到融合图像。 [0014]其进一步技术方案为： 所述双阶段检测模型包括用于检测人体目标在融合图像中 的位置和形状的目标检测网络以及用于分类人体的着装外表信息的分类网络 。 [0015]其进一步技术方案为： 所述目标检测网络是通过带有人体位置和形状标签的由移 动机器人移动采集和公开的人体数据集经 过清洗后的数据集训练深度学习网络所 得的。 [0016]其进一步技术方案为： 所述分类网络是通过对所述目标网络检测得到的图片进行 人体的着装外表信息标注后形成的样本集在GTX3 090显卡上训练深度学习网络所 得的。 [0017]其进一步技术方案为： 所述图像包括彩色图像以及深度图像。说　明　书 1/8 页 3 CN 114627501 A 3