[發(fā)明專利]一種基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010018507.5
• 申請(qǐng)日: 2020-01-08
• 公開（公告）號(hào): CN111259736B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 孫麗華;周薇娜
• 申請(qǐng)（專利權(quán)）人: 上海海事大學(xué)
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06N3/0464;G06N3/08
• 代理公司: 上海元好知識(shí)產(chǎn)權(quán)代理有限公司 31323
• 代理人: 張靜潔;徐雯瓊

1.一種基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法，其特征在于，包含步驟：

S1、建立基于YOLO算法的檢測(cè)模型；所述檢測(cè)模型具體包含依序連接的：基于ResNet的五層卷積網(wǎng)絡(luò)層、基于SPP的三層最大池化層、三層目標(biāo)檢測(cè)層；

步驟S1所述的檢測(cè)模型中，三層目標(biāo)檢測(cè)層的檢測(cè)尺度分別為13×13、26×26、104×104像素；通過K-means聚類算法根據(jù)每層目標(biāo)檢測(cè)層的檢測(cè)尺度，分別為每層目標(biāo)檢測(cè)層生成對(duì)應(yīng)的三個(gè)不同尺寸的錨箱；

S2、選取色熱圖片庫中復(fù)雜環(huán)境下的若干張行人圖像，并將所述行人圖像設(shè)置為預(yù)定的尺寸；從所述若干張行人圖像中選取部分行人圖像作為訓(xùn)練數(shù)據(jù)集，其余的行人圖像作為測(cè)試數(shù)據(jù)集；將所述訓(xùn)練數(shù)據(jù)集輸入所述檢測(cè)模型，訓(xùn)練檢測(cè)模型；

S3、將測(cè)試數(shù)據(jù)集輸入訓(xùn)練好的檢測(cè)模型，輸出對(duì)測(cè)試數(shù)據(jù)集中行人目標(biāo)的檢測(cè)結(jié)果，并篩選所述檢測(cè)結(jié)果；步驟S3包含：

S31、通過基于ResNet的五層卷積網(wǎng)絡(luò)層提取測(cè)試數(shù)據(jù)集中的行人目標(biāo)特征；

S32、通過基于SPP的三層最大池化層進(jìn)一步提取測(cè)試數(shù)據(jù)集中的行人目標(biāo)特征；

S33、通過三層目標(biāo)檢測(cè)層，基于多尺度預(yù)測(cè)策略，根據(jù)提取的所述行人目標(biāo)特征，預(yù)測(cè)測(cè)試數(shù)據(jù)集中行人目標(biāo)的邊界框坐標(biāo)值、目標(biāo)置信度得分、行人目標(biāo)類別概率；

S34、通過非極大值抑制方法根據(jù)所述邊界框坐標(biāo)值、目標(biāo)置信度得分、行人目標(biāo)類別概率，篩選得到行人目標(biāo)的檢測(cè)結(jié)果；

S4、與YOLOv3、YOLO-tiny檢測(cè)算法進(jìn)行比對(duì)，驗(yàn)證檢測(cè)精度、檢測(cè)速度。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法，其特征在于，步驟S1所述的檢測(cè)模型中，每層最大池化層均包含一個(gè)濾波器，三層最大池化層的濾波器尺寸分別為5×5、9×9、13×13像素。

3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法，其特征在于，步驟S2中所述預(yù)定的尺寸為416×416像素。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法，其特征在于，步驟S2中具體是通過隨機(jī)梯度下降法訓(xùn)練所述檢測(cè)模型。

5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜環(huán)境下行人實(shí)時(shí)檢測(cè)方法，其特征在于，步驟S2中所述行人圖像融合了紅外熱圖像和RGB彩色圖像。