[發明專利]多路負載均衡異步目標檢測方法、存儲介質及處理器

在審

• 申請號: 201811655208.1
• 申請日: 2018-12-29
• 公開（公告）號: CN111382737A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 劉若鵬;欒琳;肖劍雄峰
• 申請（專利權）人: 深圳光啟空間技術有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06F9/50
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種多路負載均衡異步目標檢測方法、存儲介質及處理器。其中所述方法包括：S11、dealer監聽視頻發送模塊發送圖像幀所占用的端口，得到輸入圖像；S12、用ZMQ的多路均衡負載和隊列共享圖像幀，將接收到的圖像分發到并發開啟的多進程YOLO模塊；S13、各個YOLO進程處理分發得到的圖像幀，檢測得到圖像中的目標屬性；S14、通過ZMQ的多路均衡負載，以及隊列共享檢測結果，返回給下游的識別模塊。開啟多路YOLO進程，通過隊列、字典等共享進程信息，可以同時實時處理多路視頻輸入，通過負載均衡可以充分利用硬件資源，可普遍適用于YOLO監測系統、facenet、tinyface等目標識別中。

技術領域

本發明涉及目標識別技術領域，更為具體地說，涉及一種多路負載均衡異步目標檢測方法、存儲介質及處理器。

背景技術

目標檢測可運用于安防、工業、汽車輔助駕駛等眾多領域，比如安防領域中，可以對重點區域進行人數統計以防止擁擠踩踏事件、對敏感區域做異常目標檢測以防止區域入侵等；同時目標檢測也是目標識別、實例分割、形態分析等視覺技術的上游輸入，目標檢測效果的好壞直接決定了這些更復雜任務處理結果。

基于計算機視覺的目標檢測技術，是給定一張圖像，給出對圖像前景和背景的理解，我們需要從背景中分離出感興趣的目標，并且要確定目標的分類和位置；因而目標檢測輸出的是一個列表，列表的每一項數據組元素給出一個檢測目標的分類和位置；對于人類從給定圖像中定位、分類目標很容易，但是對于計算機，從多通道像素矩陣中得到“人”、“車”等目標物體的抽象概念并確定其位置，再加上多目標重疊、遮蓋等情況，目標檢測就更加困難了。

目前目標檢測主流是基于深度學習的方法，在速度和精度上達到較好平衡的PUSH/PULL模式的多進程YOLO目標檢測方案。

YOLO是端到端模型的開山之作，在速度它以得到目標位置和分類只需要一次處理而得名，相比兩階段方法，實時速度令人映像深刻；YOLO_V3的川練過程如下：

1、準備數據：將圖片縮放到規定尺寸，輸入到網絡；提取特征的網絡將會輸出3個不同尺度【分別是13*13、26*26、52*52】的特征圖，將樣本按照IOU【只考慮面積，不考慮位置】匹配到不同的anchor【yolo_v3為每個特征圖設定3個anchor，因此總共有9個anchor】；

2、卷積網絡：使用Darknet-53來實現提取特征，三個尺度的特征圖中每個網格對每個類別預測一個條件概率值，并在每個網格上生成B個box，每個box預測[num_anchors*(5+num_classes+hum_properti es)]個回歸值，既是輸出不同anchor下的bounding box的x，y，width，height，configure score，classes scores。測試時，分數如下計算：

等式左邊第一項由網格預測，后兩項由每個box預測，以條件概率的方式得到每個box含有不同類別物體的分數。因而，卷積網絡共輸出的預測值個數為S×S×(B×5+C)，其中S為網格數，B為每個網格生成box個數，C 為類別數；

YOLO_V3在做前向預測時，輸入為任意尺寸的圖像，在最終輸出 detection時，需要使用NMS(Non-Maximum Suppression，非極大抑制)過濾得到最后的預測框。

使用ZMQ的PUSH/PULL模式時，一個服務端負責PUSH數據，多個客戶端排隊PULL數據，服務端PUSH的一份數據只會被其中一個客戶端拉取，服務端和客戶端任一方斷掉，都不會影響另一方；

應用到YOLO目標檢測系統時，為提高檢測的實時性，視頻提供模塊做服務端，YOLO檢測模塊做客戶端，可以同時開啟多個YOLO檢測進程，能較快的檢測目標。

由此可見，其不足之處有：