[發明專利]一種YOLO卷積神經網絡的人數檢測方法

在審

• 申請號: 202010974637.6
• 申請日: 2020-09-16
• 公開（公告）號: CN112036367A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 陳敏;夏圣奎;吉訓生;王文郁
• 申請（專利權）人: 南通天成現代農業科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種YOLO卷積神經網絡的人數檢測方法，其特征在于，包括以下步驟：

S1、創建標準庫文件

通過已標注行人樣本訓練的YOLO卷積神經網絡的網絡參數、參考卷積特征和對應的人數，創建標準庫文件；

S2、視頻幀輸入

在接收到截取攝像頭拍攝的視頻幀，輸入截取的視頻幀；

S3、軌跡區分

使用DeepSort對YOLOV3的預測框進行軌跡級聯匹配，將連續幀圖像中的人用不同的軌跡區分開來；

輸入跟蹤集合Τ={1,…,N},檢測集合D={1,…,M},最大閾值Amax；

矩陣С=[Ci,j]存放所有物體跟蹤i與物體檢測j之間距離的計算結果 ；

矩陣В=[Bi,j]存放所有物體跟蹤i與物體檢測j之間是否關聯的判斷(0/1)；

關聯集合М初始化為?；

將找不到匹配的物體檢測集合初始化為D；

從剛剛匹配成功的跟蹤器循環遍歷到最多已經有Amax次沒有匹配的跟蹤器；

選擇滿足條件的跟蹤器集合 Τn ←{i∈Τ|ai=n}；

根據最小成本算法計算出Τn與物體檢測j關聯成功產生集合 [xi,j]；

更新М為匹配成功的M∪{(i,j)|bi,j.xi,j0}；

從u中去除已經匹配成功的物體檢測j；

循環（3b）到（3f）直到所有視頻幀匹配結束；

返回M,u兩個集合

S4、統計人數

設定一條檢測線，根據行人軌跡通過檢測線的方向來確定行人是進入該場所還是離開該場所從而統計人數；

S5、輸出含有行人標注框和人數的處理后視頻

S51、構建輕量化模型

通過使用ShuffleNet網絡替換darknet53網絡中的特征提取網絡，并且對模型進行了剪枝，顯著地優化了模型尺寸和模型計算復雜度，然后使用優化先驗框選擇方式后的行人檢測網絡提取行人目標特征，并用交叉熵損失和邊界框回歸損失計算損失值，在分類基礎上結合檢測框位置，實現行人檢測，并且提出結合行人語義屬性的深度學習行人檢測方法，優化了錨點框尺寸，考慮到研究目標為行人，行人的邊界框一般長與寬在4:1到2:1之間，并且場景中出現不同尺度的目標，因此將三種尺度分別設定為128，256，512，長寬比為2:1，3:1，4:1的共9個錨點框，其中錨點框與真實值邊界框的交并比(Intersection Over Union,IOU)大于0.7就標記為正樣本，若小于0.3標為負樣本；

S52、構建實際模型

根據ShuffleNet通道混洗原理來構建實際模型，通過包含3層的殘差單元：1 1卷積和33的depthwise convolution(深度卷積)，降低計算量，這里的3 3卷積是瓶頸層，緊接著是11卷積，最后是一個短路連接，將輸入直接加到輸出上；

將密集的1 1卷積替換成1 1的群卷積，不過在第一個1 1卷積之后增加了一個通道混洗操作；還有就是3 3的depthwise convolution之后沒有使用ReLU激活函數；

對原輸入采用stride=2的3 3 avg pool，在depthwise convolution處取stride=2保證兩個通路尺寸相同，然后將得到特征圖與輸出進行連接，而不是相加；極致的降低計算量與參數大小；

S53、模型壓縮

利用BN層中的縮放因子，在訓練過程當中來衡量channel的重要性，將不重要的channel進行刪減，達到壓縮模型大小，提升運算速度的效果；

當較小時，如(0.001,0.003)時，所對應的channel就會被刪減，且非常巧妙的將增加到目標函數中去，達到了一邊訓練一邊剪枝的奇效。

2.根據權利要求1所述的一種YOLO卷積神經網絡的人數檢測方法，其特征在于，所述步驟S1和S2中設置有庫文件創建單元、特征提取單元以及人數判斷單元，所述庫文件創建單元，用于創建標準庫文件，所述標準庫文件包括若干參考卷積特征、網絡參數和對應的人數；所述特征提取單元，用于接收攝像頭拍攝的視頻幀，并提取所述視頻幀的卷積特征，進而實現人數檢測；所述人數判斷單元，用于從所述標準庫文件中獲得與所述視頻幀的卷積特征最接近的參考卷積特征并將該參考卷積特征向量對應的人數作為當前場景內的人數。