[發(fā)明專(zhuān)利]一種復(fù)雜環(huán)境下的密集行人檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011296923.8
• 申請(qǐng)日: 2020-11-18
• 公開(kāi)（公告）號(hào): CN112464770A
• 公開(kāi)（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 王建浩;呼子宇;李占凱;郝若欣;高澤航;牛嘉珩;張翮翔;周濤;代言
• 申請(qǐng)（專(zhuān)利權(quán)）人: 燕山大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 北京專(zhuān)贏專(zhuān)利代理有限公司 11797
• 代理人: 于剛

本發(fā)明公開(kāi)了一種復(fù)雜環(huán)境下的密集行人檢測(cè)方法，具體過(guò)程如下：首先改進(jìn)YOLOv3算法，監(jiān)控設(shè)備采集到行人圖像，網(wǎng)絡(luò)會(huì)自動(dòng)提取關(guān)鍵幀，然后將圖片傳輸?shù)組SR算法，對(duì)圖片進(jìn)行圖片增強(qiáng)處理，最后再傳輸?shù)礁倪M(jìn)后的YOLOv3算法中并進(jìn)行行人檢測(cè)。本發(fā)明利用YOLOv3與MSR算法相互結(jié)合，最終構(gòu)成了一種對(duì)于復(fù)雜環(huán)境下的密集行人檢測(cè)方法。YOLOv3利用k?means維度聚類(lèi)的方法得到邊界框進(jìn)行更準(zhǔn)確的預(yù)測(cè),使得其速度和精度都有了比較大的提升。多尺度檢測(cè)的應(yīng)用，對(duì)于檢測(cè)有遮擋的目標(biāo)時(shí)，檢測(cè)精度依然很高。解決了當(dāng)前在某些復(fù)雜環(huán)境下對(duì)行人的檢測(cè)精度低的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體是一種復(fù)雜環(huán)境下的密集行人檢測(cè)方法。

背景技術(shù)

行人檢測(cè)的方法一般可以分為兩種，即基于背景建模的方法和基于統(tǒng)計(jì)學(xué)習(xí)的方法。基于背景建模的方法：將背景建模，提取出前景的行人檢測(cè)目標(biāo)，并提取目標(biāo)特征，再用分類(lèi)器對(duì)檢測(cè)到的目標(biāo)進(jìn)行分類(lèi)。其中經(jīng)典算法有Vibe算法，其優(yōu)點(diǎn)就是操作很簡(jiǎn)單，運(yùn)算效率也很高，但是缺點(diǎn)也很凸出，即檢測(cè)區(qū)域內(nèi)的不確定性太多，導(dǎo)致背景變化復(fù)雜，最后的檢測(cè)結(jié)果也就不準(zhǔn)確，例如鬼影問(wèn)題、運(yùn)動(dòng)目標(biāo)不完整問(wèn)題、靜止目標(biāo)問(wèn)題、陰影前景問(wèn)題等等，背景的多變性導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確是背景建模進(jìn)行行人檢測(cè)的普遍存在問(wèn)題。基于統(tǒng)計(jì)學(xué)習(xí)的方法：此方法主要根據(jù)樣本庫(kù)形成行人檢測(cè)分類(lèi)器。分類(lèi)器包括神經(jīng)網(wǎng)絡(luò)、感知器算法、SVM、RBF、Parzen窗、Adaboost以及現(xiàn)在非常流行的深度學(xué)習(xí)(Deep Learning)。該方法是行人檢測(cè)領(lǐng)域比較普遍的檢測(cè)方法。其中法國(guó)的Dalal提出了HOG+SVM的行人檢測(cè)算法(Histograms of Oriented Gradients for Human Detection,Navneet Dalel,BillTriggs,CVPR2005)取得了很大成就，并且許多后來(lái)研究的行人檢測(cè)算法都是以此為根本思路提出的，例如Wang等人提出的將基于LBP的紋理特征與HOG算子結(jié)合，并且將SVM分類(lèi)器進(jìn)行改進(jìn)，從而使其更適合有遮擋的情況；卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)算法的一個(gè)重要算法，LeNet、Alexnet、GoogleNet、VGG等都是CNN的經(jīng)典模型，CNN包含了檢測(cè)精度比較高但是速度有劣勢(shì)的R-CNN，F(xiàn)ast R-CNN，Mask R-CNN，還有基于回歸思想的SSD、YOLO檢測(cè)算法，此處著重闡述YOLO系列檢測(cè)算法。YOLO應(yīng)用了端對(duì)端訓(xùn)練以及推斷并且使用框式目標(biāo)檢測(cè)框架的思路，在YOLO出現(xiàn)之前，有人工構(gòu)建的SIFT、HOG等費(fèi)時(shí)費(fèi)力的模型，后來(lái)有了計(jì)算速度緩慢的R-CNN系列，YOLO的出現(xiàn)成功的解決了精度、速度和成本問(wèn)題。YOLO的出現(xiàn)為目標(biāo)檢測(cè)提出了一個(gè)新思路，即回歸檢測(cè)。YOLO是一個(gè)用卷積層和全連接層結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到檢測(cè)目的，可以做到端對(duì)端的訓(xùn)練，所以不會(huì)因?yàn)橛?xùn)練而影響計(jì)算速度，其工作過(guò)程則是將給定的輸入圖像劃分為s*s個(gè)網(wǎng)格并輸入到卷積神經(jīng)網(wǎng)絡(luò)，得到bounding box、classprobabilities以及confidence score(置信度)，置信度反映了模型對(duì)bounding box包含物體的信心程度，以及對(duì)box預(yù)測(cè)的準(zhǔn)確程度，最后篩選box，這是YOLO系列的骨干，兼顧計(jì)算速度和檢測(cè)精度，本發(fā)明優(yōu)選了YOLOv3。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種復(fù)雜環(huán)境下的密集行人檢測(cè)方法，以解決上述背景技術(shù)中提出的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種復(fù)雜環(huán)境下的密集行人檢測(cè)方法，具體過(guò)程如下：首先改進(jìn)YOLOv3算法，監(jiān)控設(shè)備采集到行人圖像，網(wǎng)絡(luò)會(huì)自動(dòng)提取關(guān)鍵幀，然后將圖片傳輸?shù)組SR算法，對(duì)圖片進(jìn)行圖片增強(qiáng)處理，最后再傳輸?shù)礁倪M(jìn)后的YOLOv3算法中并進(jìn)行行人檢測(cè)。

作為本發(fā)明的進(jìn)一步技術(shù)方案：所述YOLOv3算法的改進(jìn)方法如下：YOLOv3在檢測(cè)目標(biāo)對(duì)象時(shí)，使用softmax函數(shù)計(jì)算各種類(lèi)的概率分布，softmax計(jì)算公式如下：(1)；q為單熱分布，輸出結(jié)果中正確的類(lèi)的概率為1而其他類(lèi)為0，使用LSR防止模型把預(yù)測(cè)值過(guò)多的放在大概率的類(lèi)別上，從而把少部分概率放在小概率類(lèi)別上，降低模型過(guò)擬合的程度，公式如下：其中K為總類(lèi)數(shù)，ε為常數(shù)。