[發明專利]一種基于YOLO和SPPE的酒店發小卡片檢測方法

在審

• 申請號: 202010510644.0
• 申請日: 2020-06-08
• 公開（公告）號: CN111695485A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 陳海波
• 申請（專利權）人: 深蘭人工智能芯片研究院(江蘇)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08;G06Q50/12
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 姜曉鈺

本發明公開了一種基于YOLO和SPPE的酒店發小卡片行為的檢測方法，其方法包括：采用YOLO算法檢測出采集的幀圖像里是否有行人，如有則對行人進行識別，得到行人總數以及每個行人的最小矩形包圍框的任意兩個對角頂點的像素坐標；采用SPPE算法對所述幀圖像中檢測到的每個行人，分別進行人體姿態估計，得到每個行人的重要關節點的像素坐標及score，剔除腿部各點分數較低的行人；根據所述幀圖像，判斷圖像里的每個行人是否有發小卡片行為的嫌疑；根據前后多幀圖像，綜合判定當前時刻是否有發小卡片行為存在。本發明通過YOLO和SPPE兩個算法的融合，在人體的多種姿態下，依然能夠有效的識別是否有人在酒店發小卡片。

技術領域

本發明涉及本發明涉及圖像處理領域，尤其涉及一種基于YOLO和SPPE的酒店發小卡片檢測方法。

背景技術

YOLO算法是一個基于深度學習的目標檢測模型，YOLO-v3作為YOLO系列目前最新的算法，其在圖像檢測速度及準確率上，都達到了較高的水準。在基礎網絡上，借鑒了YOLO-v2中Darknet-19以及Resnet的設計，使用了很多有良好表現的3*3和1*1的卷積層，并且融合了FPN多尺度金字塔算法，最終形成有53個卷積層的Darknet-53。并且在anchor上，仿照SSD算法形成多尺度預測，一共有3種尺度，每種尺度預測3個box。圖3提供了YOLO-v3的結構圖(參考文獻：RedmonJ，FarhadiA.Yolov3：An incremental improvement[J].arXiv：1804.02767，2018.)。

SPPE是一個實時單人姿態檢測算法，其使用的是Hourglass方法。Hourglass首先利用卷積層和池化層將特征縮放到很小的分辨率，每一個池化層都會進行網絡分叉，對原來池化過的特征再進行卷積，得到最低分辨率特征后，網絡開始向上采樣，并逐漸結合不同尺度的特征信息。得到Hourglass網絡模塊輸出后，再采用兩個連續的1*1卷積層進行處理，得到最終的網絡輸出。(SPPE算法參考文獻：Hao-Shu Fang1,Shuqin Xie.RMPE:RegionalMulti-Person Pose Estimation[J].arXiv:1612.00137，2018.)

當前基于圖像的視頻分析的技術發展日趨完善，應用的場景也是越來越廣。許多研究學者提出將視頻分析技術加入到各個服務行業，如酒店業。在已有的視頻監控系統的基礎上，加上智能化視頻分析技術，提供實時報警功能，減少酒店各種傳統意義上的痛點。

而酒店發小卡片是酒店行業多年來十分頭疼的頑疾，傳統的解決方法需要酒店安排專門的人員時刻緊盯各路監控，不僅效率低，而且容易漏掉。更為嚴重的是，由于發小廣告這一灰色產業牽涉利益巨大，時常發生酒店工作人員與發小卡片人員內外勾結，利益均分，使得酒店房間里有小卡片成為全社會的公開的秘密，致使酒店行業蒙羞。此時，利用計算機技術對發小卡片的人員進行自動甄別并報警，就顯得格外有效。

發明內容

1、本發明的目的

為了解決上述問題，本發明提供了一種基于YOLO和SPPE的酒店發小卡片檢測方法，將深度學習的圖像識別技術運用于酒店，能實現對來酒店發小卡片的人員自動進行機器識別，并發出報警信號。

2、本發明所采用的技術方案

本發明提出了一種基于YOLO和SPPE的酒店發小卡片檢測方法：

采用YOLO算法檢測出采集的幀圖像里是否有行人，如有則對行人進行識別，得到行人總數以及每個行人的最小矩形包圍框的任意兩個對角頂點的像素坐標；

采用SPPE算法對所述幀圖像中檢測到的每個行人，分別進行人體姿態估計，得到每個行人的重要關節點的像素坐標及score，剔除腿部各點分數較低的行人；

根據所述幀圖像，判斷圖像里的每個行人是否有發小卡片行為的嫌疑；