对室内近距离行人进行识别的方法、装置、介质和机器人

技术领域

本发明涉及机器人领域，尤其涉及一种对室内近距离行人进行识别的方法、装置、介质和机器人。

背景技术

随着机器人行业的快速发展，各种服务机器人层出不穷，机器人在我们的生活、工作中也应用得越来越广泛。机器人设备在室内环境移动过程中，需要感知机器人自身周围环境信息，如墙体，障碍物等。通常来说，行人这类可移动非固定的环境障碍物信息，影响机器人在室内中运动效率，能否有效的感知机器人周边近处行人信息是提升机器人智能化的关键。近年来，随着深度学习的发展，出现了很多基于深度卷积神经网络的行人检测的方法，在公开数据集或自动驾驶等领域都有很广泛的应用。在室内机器人领域，因机器人其特殊的视角，对于机器人近处行人，摄像头设备通常不能捕捉到完整的人体，如人脸或人腿通常捕捉不到，画面呈现的是大面积的衣服，行人在近距离移动时，画面变化较大，容易产生模糊的人影，且每个人的穿着又是一个多变的属性，近处行人的这些特点对室内机器人近处行人检测提出了很大的挑战。

发明内容

本发明提供了一种对室内近距离行人进行识别的方法、装置、介质和机器人，解决了对室内机器人的近处行人检测准确率不高的技术问题。

本发明解决上述技术问题的技术方案如下：一种对室内近距离行人进行识别的方法，包括以下步骤：

步骤1，采集室内的近距离行人图像，并对所述近距离行人图像进行预处理，形成训练集；

步骤2，构建行人检测网络模型，所述行人检测网络模型包括基于YOLO-spp算法的骨干网络和检测头模块；

步骤3，采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数；

步骤4，采集室内的实时行人图像，并基于训练完成的行人检测网络模型对所述实时行人图像中的行人位置和行人尺寸进行检测。

在一个优选实施方式中，所述骨干网络的网络结构按计算单元处理顺序为：

第一卷积层，输入尺寸416*416*3，输出尺寸208*208，输出特征通道数为32通道；

第二卷积层，输入尺寸208*208*32，输出尺寸104*104，输出特征通道数为64通道；

第一空间金字塔池化层，包括池化窗口为7*7和11*11的两个最大池化层；

第三卷积层，输入尺寸为104*104*64，输出尺寸52*52，输出特征通道数为256通道；

第四卷积层，输入尺寸为52*52*256，输出尺寸26*26，输出的特征通道数为256通道；

第二空间金字塔池化层，包括池化窗口为3*3、7*7以及11*11的三个最大池化层，输出特征图为13*13*1024。

在一个优选实施方式中，所述采用训练集的图像对行人检测网络模型进行训练，优化行人检测网络模型的网络参数，具体包括以下步骤：

S301，对所述行人检测网络模型进行初始化，生成初始权重和初始偏置；

S302，将所述训练集的图像作为样本数据输入到初始化后的行人检测网络模型，通过所述骨干网络提取输入图像的行人特征图，并通过所述检测头模块生成行人特征图中每个点的行人尺寸预测值和行人中心点位置预测值；

S303，采用预设损失函数计算损失值，降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述行人检测网络模型的权重和偏置进行更新，直至达到预设迭代停止条件，生成训练完成的行人检测网络模型。

在一个优选实施方式中，所述预设损失函数为：

Loss＝Loss

Loss

Loss

其中，center

在一个优选实施方式中，所述采集室内的近距离行人图像，并对近距离行人图像进行预处理，形成训练集具体包括以下步骤：

S101，通过室内移动机器人的摄像头在各个室内场景随机采集近距离行人图像；

S102，对所述近距离行人图像中的行人采用方框进行标注，并获取每个方框的第一坐标信息；

S103，对所述近距离行人图像的上下两端随机裁剪0～10％尺寸，并按照裁剪比例调整每个方框的初始坐标信息，生成每个方框的第二坐标信息；

S104，在所述近距离行人图像的每个方框处标记对应的第二坐标信息，形成训练集。

在一个优选实施方式中，所述采集室内的实时行人图像，并基于训练完成的行人检测网络模型对实时行人图像中的行人位置和行人尺寸进行检测，具体包括以下步骤：

S401，通过移动机器人的摄像头随机采集室内的实时行人图像；

S402，采用训练完成的行人检测网络模型对所述实时行人图像进行检测，对所述实时行人图像中的每个行人生成对应的检测框、行人中心点位置数据和行人尺寸数据；

S403，当所述实时行人图像中的任一行人存在对应的多个检测框时，通过计算检测框的重叠率过滤冗余框。

在一个优选实施方式中，通过计算检测框的重叠率过滤冗余框，具体为：

S4031，获取所述多个检测框中任意两个检测框，记为第一检测框和第二检测框；

S4032，获取第一检测框的左上角点横坐标ltw

S4033，采用预设公式计算第一检测框和第二检测框的重叠率Wiou，所述预设公式为：

Wiou＝IOU-Width

其中，IOU＝C/(A+B-C)；

Width

Width

A为第一检测框的面积，B为第二检测框的面积，C为第一检测框和第二检测框的重叠面积；

S4034，当重叠率Wiou大于预设值时，比较所述第一检测框和所述第二检测框的置信度，并删除其中置信度较小的检测框；

S4035，重复以上步骤S4031-S4034，过滤行人的全部冗余框。

本发明实施例的第二方面提供了一种对室内近距离行人进行识别的装置，包括训练集建立模块、模型建立模块、训练模块和识别模块，

所述训练集建立模块用于采集室内的近距离行人图像，并对所述近距离行人图像进行预处理，形成训练集；

所述模型建立模块用于构建行人检测网络模型，所述行人检测网络模型包括基于YOLO-spp算法的骨干网络和检测头模块；

所述训练模块用于采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数；

所述识别模块用于采集室内的实时行人图像，并基于训练完成的行人检测网络模型对所述实时行人图像中的行人位置和行人尺寸进行检测。

本发明实施例的第三方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上所述对室内近距离行人进行识别的方法的步骤。

本发明实施例的第四方面提供了一种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程序，所述计算机程序被处理器执行时实现以上所述对室内近距离行人进行识别的方法的步骤。

本发明提供了一种对室内近距离行人进行识别的方法、装置、介质和机器人，通过将多个空间金字塔池化模块嵌入到骨干网络，同时采用NMS后处理算法过滤冗余框，从而能够不依赖完整人体结构，仅通过识别衣着等部分特征完成对近处行人的感知识别，提高移动机器人视角下室内近距离行人识别的准确率。

为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是实施例1提供的对室内近距离行人进行识别的方法的流程示意图；

图2是实施例2提供的对室内近距离行人进行识别的装置的结构示意图；

图3是实施例3提供的一种控制器的电路结构示意图；

图4是实施例1中行人检测网络模型的网络结构示意图；

图5是实施例1中第一空间金字塔池化层的网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作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。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例的机器人可以被构造成任何合适形状，以便实现特定业务功能操作，例如，本发明实施例机器人可以为递送机器人、搬运机器人、看护机器人等等。

所述机器人一般包括壳体、传感器单元、驱动轮部件、存储部件及控制器。壳体的外形大体上呈圆形，在一些实施例中，壳体的外形可以大体上呈椭圆形、三角形、D形、柱形或其他形状。

传感器单元用于采集机器人的一些运动参数及环境空间各类数据。在一些实施例中，传感器单元包括激光雷达,激光雷达安装于壳体上方，其安装高度高于所述壳体的顶部面壳高度，激光雷达用于检测机器人与障碍物之间的障碍物距离。在一些实施例中，传感器单元还可以包括惯性测量单元(Inertialmeasurementunit，IMU)、陀螺仪、磁场计、加速度计或速度计、光学摄像头等等。

驱动轮部件安装于壳体并驱动机器人在各种空间上移动，在一些实施例中，驱动轮部件包括左驱动轮、右驱动轮及全向轮，左驱动轮和右驱动轮分别安装于壳体的相对两侧。左驱动轮和右驱动轮被配置为至少部分可伸出及缩回壳体的底部。全向轮安装于壳体的底部的靠前位置，全向轮为活动脚轮，可以水平360度旋转，以使得机器人可以灵活转向。左驱动轮、右驱动轮及全向轮的安装构成三角形，以提高机器人行走的平稳性。当然，在一些实施例中，驱动轮部件还可以采用其他结构，比如全向轮可被省略，只留左驱动轮与右驱动轮亦可以驱动机器人正常行走。

在一些实施例中，机器人还配置有存储部件，存储部件安装于收容槽内，从而完成递送任务等等。

控制器分别与左驱动轮、右驱动轮、全向轮及激光雷达电连接。控制器作为机器人的控制核心，用于控制机器人行走、后退以及一些业务逻辑处理。

在一些实施例中，控制器可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、AR(AcornRISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，控制器还可以是任何传统处理器、控制器、微控制器或状态机。控制器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

在一些实施例中，上述机器人在活动的过程中，控制器采用SLAM(simultaneouslocalizationandmapping，即时定位与建图技术)技术，根据环境数据构建地图和定位，从而移动到目标位置完成递送任务、清洁任务等。控制器基于被建立好的地图以及机器人的位置，通过全覆盖路径规划算法指示机器人完全遍历一个环境空间。例如，在机器人遍历时，传感器单元获取遍历区域的图像，其中，该遍历区域的图像可以为整片遍历区域的图像，亦可以为整片遍历区域中局部遍历区域的图像。控制器根据遍历区域的图像生成地图，该地图已指示机器人需要遍历的区域以及位于遍历区域中的障碍物所在的坐标位置。当机器人每遍历完一个位置或区域后，机器人基于该地图，标记该位置或区域已被遍历。并且，由于障碍物在地图中是以坐标方式被标记，机器人遍历时，可以根据当前位置对应的坐标点与障碍物涉及的坐标点，判断与障碍物之间的距离，从而实现环绕障碍物作遍历工作。同理，位置或区域已遍历而被标记后，当机器人下一个位置将会移动至该位置或该区域时，机器人基于该地图以及该位置或该区域的标记，作出转弯调头或者停止遍历的策略。

可以理解的是，控制器还可以根据多种方式识别已遍历位置或区域，或者，识别障碍物，从而作出满足产品需求的控制策略。

请参阅图1，为本发明实施例1提供一种对室内近距离行人进行识别的方法的流程示意图，如图1所示，方法包括以下步骤：

步骤1，采集室内的近距离行人图像，并对所述近距离行人图像进行预处理，形成训练集。具体包括以下步骤：

S101，通过室内移动机器人的摄像头在各个室内场景随机采集近距离行人图像。优选实施例中，每隔10秒保存一帧画面，每个室内场景收集10000张数据图片，总计10W～20W数据规模。

S102，对所述近距离行人图像中的行人采用方框进行标注，并获取每个方框的第一坐标信息。具体来说，在近距离行人图像的对应位置存储第一坐标信息为(x1,y1,x2,y2)，即方框左上角和右下角两个坐标。

S103，对所述近距离行人图像的上下两端随机裁剪0～10％尺寸，并按照裁剪比例调整每个方框的初始坐标信息，生成每个方框的第二坐标信息。具体来说，在训练深度神经网络模型过程中，通过数据增强，包括翻转图片，随机放大缩小等方法丰富数据集是增加模型鲁棒性的常规手段。本发明结合场景特点，对近距离行人图像的上下两端进行随机裁剪，从而人为制造近处行人未被机器人摄像头完全捕获的情形。具体来说，上下两端随机裁剪0～10％尺寸，对应的(x1,y1,x2,y2)根据裁剪比例调整数值。

S104，在所述近距离行人图像的每个方框处标记对应的第二坐标信息，形成训练集。

然后执行步骤2，构建行人检测网络模型，所述行人检测网络模型包括基于YOLO-spp算法的骨干网络和检测头模块。骨干网络采用Darknet维主体结构，其是提取行人的高维特征，并过滤掉无效的背景信息干扰，生成高维特征图。本发明结合场景需求，将SPP(spatial pyramid pooling空间金字塔池化)模块嵌入到骨干网络中，提升对近处行人的检测效果。同时，因机器人摄像头捕获的室内行人图片尺寸变化很大，SPP(空间金字塔池化模块)可以很好的适应尺寸的变化，提高检测器识别尺寸的鲁棒性，从而可以降低网络的过拟合，提高检测器泛化性能，而大窗口的池化层同时也提高了近处行人这类大目标的检测精度。

具体来说，如图4和图5所示，所述骨干网络的网络结构按计算单元处理顺序包括：

第一卷积层，输入尺寸416*416*3，输出尺寸208*208，输出特征通道数为32通道；

第二卷积层，输入尺寸208*208*32，输出尺寸104*104，输出特征通道数为64通道；

第一空间金字塔池化层，包括池化窗口为7*7和11*11的两个最大池化层；

第三卷积层，输入尺寸为104*104*64，输出尺寸52*52，输出特征通道数为256通道；

第四卷积层，输入尺寸为52*52*256，输出尺寸26*26，输出的特征通道数为256通道；

第二空间金字塔池化层，包括池化窗口为3*3、7*7以及11*11的三个最大池化层，输出特征图为13*13*1024。

而检测头模块主要功能是根据骨干网络提取的特征图，计算出行人的可能位置，计算过程如下：

特征图：x；

行人平均尺寸常量：Hwavg，由数据集统计生成；

行人中心点位置:Center＝1/(1+e^-x)；

行人尺寸(高度，宽度)：HeightWidth＝e^-x*Hwavg。

然后执行步骤3，采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数。具体包括以下步骤：

S301，对所述行人检测网络模型进行初始化，生成初始权重和初始偏置。

S302，将所述训练集的图像作为样本数据输入到初始化后的行人检测网络模型，通过所述骨干网络提取输入图像的行人特征图，并通过所述检测头模块生成行人特征图中每个点的行人尺寸预测值和行人中心点位置预测值。

S303，采用预设损失函数计算损失值，降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述行人检测网络模型的权重和偏置进行更新，直至达到预设迭代停止条件，生成训练完成的行人检测网络模型。

优选实施例中，所述预设损失函数为：

Loss＝Loss

Loss

Loss

其中，center

优选实施例中，采用动量参数为0.9、权重衰减为0.001且学习率多项式缓慢下降的带动量随机梯度下降法对所述预设损失函数进行最小化计算，且训练100次后终止训练，保存所述行人检测网络模型的网络参数，生成训练完成的行人检测网络模型。

然后执行步骤4，采集室内的实时行人图像，并基于训练完成的行人检测网络模型对所述实时行人图像中的行人位置和行人尺寸进行检测。具体包括以下步骤：

S401，通过移动机器人的摄像头随机采集室内的实时行人图像。

S402，采用训练完成的行人检测网络模型对所述实时行人图像进行检测，对所述实时行人图像中的每个行人生成对应的检测框、行人中心点位置数据和行人尺寸数据。

S403，当所述实时行人图像中的任一行人存在对应的多个检测框时，通过计算检测框的重叠率过滤冗余框。检测头模块计算出来的原始结果通常包含大量的冗余框，即一个行人有多个检测框结果，通常采用非极大值抑制算法(Non-Maximum Suppression，NMS)，该算法通过计算两个框的交并比(IOU)来判断重叠率，通过重叠率过滤冗余框。

本发明结合场景特点，提出一种全新的NMS后处理算法Wiou NMS，具体过滤冗余框包括以下步骤：

S4031，获取所述多个检测框中任意两个检测框，记为第一检测框和第二检测框。

S4032，获取第一检测框的左上角点横坐标ltw

S4033，采用预设公式计算第一检测框和第二检测框的重叠率Wiou，所述预设公式为：

Wiou＝IOU-Width

其中，IOU＝C/(A+B-C)；

Width

Width

A为第一检测框的面积，B为第二检测框的面积，C为第一检测框和第二检测框的重叠面积。

S4034，当重叠率Wiou大于预设值时，比较所述第一检测框和所述第二检测框的置信度，并删除其中置信度较小的检测框；

S4035，重复以上步骤S4031-S4034，过滤行人的全部冗余框。

为了验证本发明的实际效果，采用如下表所示的三种方法对室内近距离行人进行识别，可以看到本发明采用SPP和Wiou NMS具备最好的近距离行人识别效果。

上述实施例提供了一种对室内近距离行人进行识别的方法，通过将多个空间金字塔池化模块嵌入到骨干网络，同时采用NMS后处理算法过滤冗余框，从而能够不依赖完整人体结构，仅通过识别衣着等部分特征完成对近处行人的感知识别，提高移动机器人视角下室内近距离行人识别的准确率。

需要说明的是，在上述各个实施例中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施例的另一方面，本发明实施例还提供一种对室内近距离行人进行识别的装置。其中，对室内近距离行人进行识别的装置可以为软件模块，所述软件模块包括若干指令，其存储在存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施例所阐述的对室内近距离行人进行识别的方法。

在一些实施例中，对室内近距离行人进行识别的装置亦可以由硬件器件搭建成的，例如，对室内近距离行人进行识别的装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施例所阐述的对室内近距离行人进行识别的方法。再例如，对室内近距离行人进行识别的装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(AcornRISCMach ne)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

图2是本发明实施例2提供一种对室内近距离行人进行识别的装置的结构示意图，该对室内近距离行人进行识别的装置包括训练集建立模块100、模型建立模块200、训练模块300和识别模块400，

所述训练集建立模块100用于采集室内的近距离行人图像，并对所述近距离行人图像进行预处理，形成训练集；

所述模型建立模块200用于构建行人检测网络模型，所述行人检测网络模型包括基于YOLO-spp算法的骨干网络和检测头模块；

所述训练模块300用于采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数；

所述识别模块400用于采集室内的实时行人图像，并基于训练完成的行人检测网络模型对所述实时行人图像中的行人位置和行人尺寸进行检测。

在一个优选实施方式中，所述训练集建立模块100包括：

第一采集单元，用于通过室内移动机器人的摄像头在各个室内场景随机采集近距离行人图像；

第一标注单元，用于对所述近距离行人图像中的行人采用方框进行标注，并获取每个方框的第一坐标信息；

预处理单元，用于对所述近距离行人图像的上下两端随机裁剪0～10％尺寸，并按照裁剪比例调整每个方框的初始坐标信息，生成每个方框的第二坐标信息；

第二标注单元，在所述近距离行人图像的每个方框处标记对应的第二坐标信息，形成训练集。

在一个优选实施方式中，所述训练模块300具体包括：

初始化单元，用于对所述行人检测网络模型进行初始化，生成初始权重和初始偏置；

预测单元，用于将所述训练集的图像作为样本数据输入到初始化后的行人检测网络模型，通过所述骨干网络提取输入图像的行人特征图，并通过所述检测头模块生成行人特征图中每个点的行人尺寸预测值和行人中心点位置预测值；

训练单元，用于采用预设损失函数计算损失值，降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述行人检测网络模型的权重和偏置进行更新，直至达到预设迭代停止条件，生成训练完成的行人检测网络模型。

在一个优选实施方式中，所述识别模块400具体包括：

第二采集单元，用于通过移动机器人的摄像头随机采集室内的实时行人图像；

识别单元，用于采用训练完成的行人检测网络模型对所述实时行人图像进行检测，对所述实时行人图像中的每个行人生成对应的检测框、行人中心点位置数据和行人尺寸数据；

过滤单元，用于当所述实时行人图像中的任一行人存在对应的多个检测框时，通过计算检测框的重叠率过滤冗余框。

一个优选实施例中，所述过滤单元具体包括：

第一获取单元，用于获取所述多个检测框中任意两个检测框，记为第一检测框和第二检测框；

第二获取单元，用于获取第一检测框的左上角点横坐标ltw

计算单元，用于采用预设公式计算第一检测框和第二检测框的重叠率Wiou，所述预设公式为：

Wiou＝IOU-Width

其中，IOU＝C/(A+B-C)；

Width

Width

A为第一检测框的面积，B为第二检测框的面积，C为第一检测框和第二检测框的重叠面积；

判断单元，用于当重叠率Wiou大于预设值时，比较所述第一检测框和所述第二检测框的置信度，并删除其中置信度较小的检测框。

上述实施例提供了一种对室内近距离行人进行识别的装置，通过将多个空间金字塔池化模块嵌入到骨干网络，同时采用NMS后处理算法过滤冗余框，从而能够不依赖完整人体结构，仅通过识别衣着等部分特征完成对近处行人的感知识别，提高移动机器人视角下室内近距离行人识别的准确率。

需要说明的是，上述对室内近距离行人进行识别的装置可执行本发明实施例所提供的对室内近距离行人进行识别的方法，具备执行方法相应的功能模块和有益效果。未在对室内近距离行人进行识别的装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的对室内近距离行人进行识别的方法。

图3是本发明实施例提供的一种控制器的电路结构示意图。如图3所示，该控制器600包括一个或多个处理器61以及存储器62。其中，图3中以一个处理器61为例。

处理器61和存储器62可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器62作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的对室内近距离行人进行识别的方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的非易失性软件程序、指令以及模块，从而执行对室内近距离行人进行识别的装置的各种功能应用以及数据处理，即实现上述方法实施例提供的对室内近距离行人进行识别的方法以及上述装置实施例的各个模块或单元的功能。

存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。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。

所述程序指令/模块存储在所述存储器62中，当被所述一个或者多个处理器61执行时，执行上述任意方法实施例中的对室内近距离行人进行识别的方法。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图3中的一个处理器61，可使得上述一个或多个处理器可执行上述任意方法实施例中的对室内近距离行人进行识别的方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的对室内近距离行人进行识别的方法。

以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。