[發明專利]一種基于yolov3的行人檢測及步態識別的方法

在審

• 申請號: 202010654323.8
• 申請日: 2020-07-09
• 公開（公告）號: CN111539396A
• 公開（公告）日: 2020-08-14
• 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;G06K9/40;G06K9/62;G06N3/04;G06N3/08
• 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: 滕詣迪

本發明公開了一種基于yolov3的行人檢測及步態識別的方法，包括建立yolov3分類特征模型步驟，使用變粒度HOG和CSLBP的方法提取行人輪廓的全局特征以及行人局部的細節紋理特征；檢測行人目標區域及步態識別檢測步驟，采用SEF?GHEI能量圖進行檢測。該方法主要是先通過yolov3網絡對行人進行進行檢測定位，然后使用基于SEF?GHEI及協同表示的步態識別方法對檢測到的行人進行身份識別。本發明算法與基于步態高斯及稀疏表示的步態識別準確率相比，本發明所采取的方法使步態識別準確率平均提高了1.5%左右，比基于協同表示的步態識別準確率平均提高了1.13%。

技術領域

本發明涉及行人檢測和步態識別技術，更具體地涉及一種基于yolov3的行人檢測及步態識別的方法。

背景技術

目前步態識別主要分為兩大類，一類是基于模型(model-based)的方法，一類是基于非模型（model-free）的方法。

基于模型的方法主要是通過對建立的人體運動模型進行跟蹤分析獲取參數，利用獲取的參數作為步態特征進行匹配。主要有橢圓模型的方法和基于靜態步態參數的表示方法等，但是基于模型的方法對步態視頻序列圖像質量要求高，并且在建立模型時計算量大，難以實現較理想的結果。

基于非模型的方法不需要預先假定模型，直接提取圖像序列中運動目標輪廓產生的時空特性作為步態特征。主要有李占利等提出基于步態高斯及稀疏表示的步態識別，識別效果顯著并在跨視角下具有一定的魯棒性，但是在計算分類的過程中存在著耗時的問題，在較復雜的場景中滿足不了實時性的要求。楊旗等提出基于稀疏表示的步態識別，識別準確性高且速度快，但步態特征提取選用的是主動能量圖，該能量圖只考慮了步態的動態信息而步態的靜態信息被完全的丟棄。李占利等提出基于協同表示的步態識別，識別效果良好且計算速度快，但步態特征提取采用的是GEI能量圖，由于GEI能量圖只能捕獲輪廓外部邊界信息，忽略了輪廓內部邊界信息的原因，對步態的識別率有著一定的影響。

在傳統的目標檢測方法中，它的檢測過程一般分為3個階段，首先通過使用尺寸大小不一致的滑動窗口從輸入圖像中選擇候選區域，然后從標記的候選區域中提取相關的特征，最后使用訓練好的分類器進行分類識別。然而在傳統的目標檢測方法中，存在著一直沒有解決的兩個主要問題分別是：

1）在一階段中使用滑動窗口選擇圖像的候選區域沒有針對性的策略、時間復雜度高以及窗口冗余的問題；

2）由于特征具有多樣性變化的原因，導致訓練出來的模型魯棒性很差。

在基于深度學習的目標檢測方法中，region proposal（候選區域）利用圖像中的紋理、顏色以及邊緣等特征預測出圖像中目標可能出現的位置，這不僅降低了后續操作的時間復雜度，而且獲取的候選區域窗口的質量比傳統目標檢測方法中滑動窗口的質量更高，很好的解決了滑動窗口的問題，但是當在背景復雜、行人之間遮掩比較嚴重的時候，存在著誤檢和漏檢的現象，導致檢測效果不是很穩定。

變粒度HOG特征主要描述物體形狀輪廓的全局特征，而CSLBP特征描述的是物體局部的細節紋理。在實際檢測環境中有背景色干擾時，使用變粒度HOG特征描述行人輪廓的全局特征時，提取的行人特征效果降低，由于CSLBP紋理特征對灰度變換具有不變性的原因，因此使用CSLBP紋理特征描述行人局部的細節紋理可以保證行人檢測的正確率；若當提取行人的CSLBP紋理特征與背景相似時，利用變粒度HOG特征的魯棒性描述行人的形狀輪廓全局特征，就能起到對行人的主導描述作用，保證行人檢測的準確性。因此為了提高行人檢測模型的效果，本發明提出使用機器學習與深度學習相結合的方法來實現行人檢測，即在yolov3網絡的第一層卷積層前添加特征提取層，該特征提取層采用變粒度HOG特征和CSLBP特征融合的方法（HOG-CSLBP）提取行人特征，然后使用yolov3網絡對提取的行人特征進行訓練及檢測。