[發明專利]一種基于Embedded YOLO算法的行人檢測方法

在審

• 申請號: 202011335894.1
• 申請日: 2020-11-25
• 公開（公告）號: CN112487915A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 呂峰;王新彥;江泉;易政洋;張凱;盛冠杰
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

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

(1)提取數據集中所有的行人圖像數據，將提取到的圖像數據隨機劃分為訓練集和測試集；

(2)基于深度卷積網絡構建Embedded模塊；

(3)用Embedded模塊堆疊并結合MobileNet、SPP和YOLO層組成整個Embedded YOLO檢測網絡模型；

(4)利用訓練集對Embedded YOLO模型的神經網絡進行訓練，獲取最優的檢測網絡模型；

(5)利用步驟(4)獲取的模型對測試集中的圖片數據進行檢測，并對測試集的檢測結果進行檢測精度、速度和輕量化評價。

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

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

(12)按照8:2的比例劃分為訓練集和測試集。

3.根據權利要求1所述的基于Embedded算法的行人檢測方法，其特征在于，所述步驟(2)中構建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卷積層進行通道擴張，擴張為原來的n₁倍，n₁為偶數，采用LeakyRelu激活函數；

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

(23)對上步輸出的特征圖采用1×1卷積層進行通道壓縮，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；

(24)重復一次(21)～(23)步驟，其中，步驟(21)的擴張倍數改為n₂，n₂為偶數，各步驟的壓縮倍數和激活函數保持不變；

(25)將步驟(24)和(23)的輸出進行shortcut連接；

(26)對步驟(25)的輸出采用1×1卷積進行通道融合，通道數不變，激活函數采用LeakyRelu；

(27)將上步輸出與Embedded模塊的輸入進行shortcut連接。

4.根據權利要求3所述的基于Embedded算法的行人檢測方法，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：對于尺寸為176×176的特征圖僅采用一個步長為2的MobileNet模塊實現2倍下采樣同時進行特征提取，得到88×88的特征圖；

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

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

(35)采用SPP模塊進行多重感受野融合。

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

(41)設置初始參數，包括圖片輸入尺寸、動量參數、權重衰減正則項參數、圖片角度變化參數、飽和度與曝光變化參數、色調變化參數、初始學習率、訓練總輪數；

(42)使用kmeans++算法在訓練集上聚類出錨定框尺寸；

(43)損失函數采用CIOU指標，設置參與損失計算的IOU閾值。