[發(fā)明專利]一種基于Embedded YOLO算法的行人檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011335894.1
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112487915A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 呂峰;王新彥;江泉;易政洋;張凱;盛冠杰
• 申請(qǐng)（專利權(quán)）人: 江蘇科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于Embedded YOLO算法的行人檢測(cè)方法，其特征在于，包括以下步驟：

(1)提取數(shù)據(jù)集中所有的行人圖像數(shù)據(jù)，將提取到的圖像數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集；

(2)基于深度卷積網(wǎng)絡(luò)構(gòu)建Embedded模塊；

(3)用Embedded模塊堆疊并結(jié)合MobileNet、SPP和YOLO層組成整個(gè)Embedded YOLO檢測(cè)網(wǎng)絡(luò)模型；

(4)利用訓(xùn)練集對(duì)Embedded YOLO模型的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取最優(yōu)的檢測(cè)網(wǎng)絡(luò)模型；

(5)利用步驟(4)獲取的模型對(duì)測(cè)試集中的圖片數(shù)據(jù)進(jìn)行檢測(cè)，并對(duì)測(cè)試集的檢測(cè)結(jié)果進(jìn)行檢測(cè)精度、速度和輕量化評(píng)價(jià)。

2.根據(jù)權(quán)利要求1所述的基于Embedded YOLO算法的行人檢測(cè)方法，其特征在于，所述步驟(1)中具體包括以下步驟：

(11)提取數(shù)據(jù)集中所有的person類別的圖像數(shù)據(jù)，至少4000份圖像或視頻文件；

(12)按照8:2的比例劃分為訓(xùn)練集和測(cè)試集。

3.根據(jù)權(quán)利要求1所述的基于Embedded算法的行人檢測(cè)方法，其特征在于，所述步驟(2)中構(gòu)建Embedded模塊具體包括以下步驟：

(21)將輸入Embedded模塊的特征圖采用1×1卷積層進(jìn)行通道擴(kuò)張，擴(kuò)張為原來的n₁倍，n₁為偶數(shù)，采用LeakyRelu激活函數(shù)；

(22)對(duì)上步輸出的特征圖采用3×3的深度卷積進(jìn)行特征提取，保持通道數(shù)和上步一致，采用LeakyRelu激活函數(shù)；

(23)對(duì)上步輸出的特征圖采用1×1卷積層進(jìn)行通道壓縮，壓縮為上步輸出特征圖的三分之一，Embedded模塊起始輸入為上步輸出特征圖的2倍，采用Linear激活函數(shù)；

(24)重復(fù)一次(21)～(23)步驟，其中，步驟(21)的擴(kuò)張倍數(shù)改為n₂，n₂為偶數(shù)，各步驟的壓縮倍數(shù)和激活函數(shù)保持不變；

(25)將步驟(24)和(23)的輸出進(jìn)行shortcut連接；

(26)對(duì)步驟(25)的輸出采用1×1卷積進(jìn)行通道融合，通道數(shù)不變，激活函數(shù)采用LeakyRelu；

(27)將上步輸出與Embedded模塊的輸入進(jìn)行shortcut連接。

4.根據(jù)權(quán)利要求3所述的基于Embedded算法的行人檢測(cè)方法，其特征在于，所述步驟(3)中具體包括以下步驟：

(31)將輸入圖像尺寸歸一化處理為352×352×3，采用步長為2的3×3卷積，對(duì)于輸入圖像2倍下采樣，得到尺寸為176×176×16的特征圖；

(32)堆疊方式為：對(duì)于尺寸為176×176的特征圖僅采用一個(gè)步長為2的MobileNet模塊實(shí)現(xiàn)2倍下采樣同時(shí)進(jìn)行特征提取，得到88×88的特征圖；

(33)對(duì)于尺寸為88×88的特征圖采用步長分別為1和2的MobileNet模塊依次實(shí)現(xiàn)特征提取和2倍下采樣，得到尺寸為44×44特征圖；

(34)對(duì)于尺寸為44×44特征圖依次采用的Embedded模塊數(shù)量為3、1和1，中間得到的22×22、11×11特征圖分別再采用一個(gè)步長為2的MobileNet模塊進(jìn)行下采樣；

(35)采用SPP模塊進(jìn)行多重感受野融合。

5.根據(jù)權(quán)利要求1所述的基于Embedded YOLO算法的行人檢測(cè)方法，其特征在于，所述步驟(4)中具體包括以下步驟：

(41)設(shè)置初始參數(shù)，包括圖片輸入尺寸、動(dòng)量參數(shù)、權(quán)重衰減正則項(xiàng)參數(shù)、圖片角度變化參數(shù)、飽和度與曝光變化參數(shù)、色調(diào)變化參數(shù)、初始學(xué)習(xí)率、訓(xùn)練總輪數(shù)；

(42)使用kmeans++算法在訓(xùn)練集上聚類出錨定框尺寸；

(43)損失函數(shù)采用CIOU指標(biāo)，設(shè)置參與損失計(jì)算的IOU閾值。