[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

本發明公開了一種基于Embedded YOLO算法的行人檢測方法，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)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。本發明可用于相機采集的視頻的實時行人檢測，檢測精度、速度和輕量化上均優于現有的Tiny YOLOV3、Tiny YOLOV4算法。

技術領域

本發明涉及一種行人檢測方法，尤其涉及一種基于Embedded YOLO算法的行人檢測方法。

背景技術

行人是草坪環境的重要組成部分，行人檢測是農業機械無人作業時環境感知的基礎，快速而準確的行人檢測是農業機器人實現自主避障、定位導航與農業智能化的前提條件。針對部署在嵌入式設備上行人檢測研究具有十分重要的意義。

現有的Tiny YOLOV3算法采用傳統的卷積方式和池化層交替堆疊形成特征檢測網絡，不僅計算量大，而且檢測精度低，不適合部署在嵌入式設備。Yi Zhang等人在論文“Animproved tiny-yolov3 pedestrian detection algorithm”中，通過增加傳統的3×3卷積層提高了對行人的檢測精度，但是增加了模型復雜度和權重文件大小，并未能在提高行人檢測精度的同時提高檢測速度。現有技術還提出了Tiny YOLOV4算法，將Tiny YOLOV3中的部分傳統卷積層替換為分組卷積，部分池化層替換為步長為2的傳統3×3卷積，大大提高了檢測精度，然而，檢測速度和權重文件大小與Tiny YOLOV3相比并無明顯優勢。

發明內容

發明目的：本發明旨在提供一種檢測精度高、檢測速度快、具備良好的實時性和輕量化性能的基于Embedded YOLO算法的行人檢測方法。

技術方案：本發明的基于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。

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。

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；