[發明專利]一種基于輕型深度學習框架的嵌入式人流量檢測方法

在審

• 申請號: 202110008192.0
• 申請日: 2021-01-05
• 公開（公告）號: CN112633249A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 王慧娟;梁成林;邢藝蘭;袁全波
• 申請（專利權）人: 北華航天工業學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N20/00
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 李興林

1.一種基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，包括以下步驟：

S1，選用嵌入式設備和攝像頭作為檢測平臺，通過無線網絡將所述檢測平臺與云服務器連接，搭建系統硬件平臺；

S2，在特定場景下，通過所述硬件平臺對行人進行采樣、標注、標準化，收集訓練數據并對數據進行預處理；

S3，改進輕型SSD300深度學習框架，搭建人流量檢測深度學習模型；

S4，根據收集到的訓練數據對搭建的所述人流量檢測深度學習模型進行訓練，并移植到所述嵌入式設備，實時推理出人流量；

S5，搭建web云服務，利用無線網絡作為數據傳輸載體，將嵌入式設備獲取的人流量信息傳輸到所述web云服務，所述web云服務與各可視化終端實時連接，并進行結果分析及顯示。

2.根據權利要求1所述的基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，所述步驟S2中，通過硬件平臺對行人進行采樣、標注、標準化，收集訓練數據并對數據進行預處理，具體包括：

S201，使用攝像頭進行視頻采樣，將視頻包含的每幀圖像單獨存儲作為原始圖像；

S202，對獲取的圖像數據進行預處理，修改圖像尺寸為640*480；

S203，針對每幅圖像，使用一個矩形框對每個人進行標注，要求將行人完全包裹，使用JSON文件記錄、保存矩形框左上與右下的坐標，數據格式為VOC。

3.根據權利要求1所述的基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，所述步驟S3中，改進輕型SSD300深度學習框架，搭建人流量檢測深度學習模型，具體包括：

S301，將作為基礎網絡的vgg16中的卷基層改為深度可分離卷積層；

S302，在基礎層中第七層后加入一層空洞卷積；

S303，將SSD300中的多尺度特征圖改為四張，分別檢測大小目標，在輸入圖片分辨率為640x480中特征圖大小分別為80x60，40x30，20x15，10x8；

S304，輸出分為兩部分，一部分為socre用來預測分類置信度，尺度為17640x2，為背景與行人的置信度；另一部分為boxes，尺度為17640x4，為預測框的中心點與寬、高。

4.根據權利要求1所述的基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，所述步驟S4中，根據收集到的數據對搭建的人流量檢測模型進行訓練并移植到硬件平臺，具體包括：

S401，根據收集到的數據對搭建的所述人流量檢測深度學習模型進行訓練；

S402，將訓練好的人流量檢測深度學習模型移植到所述硬件平臺；

S403，實時推理人流量。

5.根據權利要求4所述的基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，所述步驟S403中，實時推理人流量，具體包括：

步驟1，讀取攝像頭視頻流中的一幀圖片；

步驟2，對圖片進行標準化，即對圖片中的每個像素減去均值127，然后除以正常值128，將圖片進行格式轉換，即將圖片的通道排列BGR轉化為RGB；

步驟3，創建輕型深度學習模型推斷器，將圖片傳入推斷器中進行推理，得到檢測結果；

步驟4，使用NMS算法對所述檢測結果進行過濾，其中IOU閾值為0.3。

6.根據權利要求1所述的基于輕型深度學習框架的嵌入式人流量檢測方法，其特征在于，所述步驟S5分析結果并進行可視化顯示，具體包括：

S501，將獲取的人流量推理結果通過所述無線網絡實時上傳至所述云服務器；

S502，使用Flask框架開發web應用程序，并使用Gunicorn+Nginx部署到云服務器；

S503，繪制當前人流量折線圖，根據當前人流量數量通過進度條的不同顏色動態反映行人的擁擠程度，并發送至終端顯示。