[發(fā)明專利]一種基于deepstream的道路車人檢測方法

在審

• 申請?zhí)枺?/td>: 202210222719.4
• 申請日: 2022-03-07
• 公開（公告）號: CN114694059A
• 公開（公告）日: 2022-07-01
• 發(fā)明（設計）人: 劉寬;袁楊宇;王鵬;樊宸銘
• 申請（專利權）人: 重慶親禾智千科技有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06N3/04;G06K9/62;H04L65/65;G06V10/774;G06V10/82
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 鄧楠

本發(fā)明公開了一種基于deepstream的道路車人檢測方法，屬于道路車人檢測技術領域，所述檢測方法以流媒體相機為輸入源，獲取車人的視頻圖像，視頻信號以rtsp流的形式傳輸，在視頻實時傳輸到微型計算機后，使用基于gstream的deepstream技術對rtsp流進行實時處理，通過建立管道對視頻信號完成解析，再通過在管道上建立的插件，完成對道路、車以及人的檢測。本發(fā)明方法可以增加識別準確性，使識別過程不再受背景，人物形態(tài)的影響。

技術領域

本發(fā)明屬于道路車人檢測技術領域，具體涉及一種基于deepstream的道路車人檢測方法。

背景技術

目前，在許多文獻中提出了多種關于車輛行人的識別方法，常用的方法有：基于運動特性的方法、基于形狀信息的方法、基于車輛行人模型的方法、立體視覺的方法等。雖然目前對于車輛行人的識別技術已經逐漸成熟，但是仍然存在一些弊端，如：

1、行人的多姿態(tài)變化問題。行人目標呈現嚴重的非剛性，同時人可能呈現多種不同的姿態(tài)：或行走或靜止，或站立或蹲下。而且不同行人之間的衣著外貌各不相同，給識別帶來了挑戰(zhàn)。

2、檢測場景的復雜性問題。在真實檢測過程中行人車輛與背景混合，難以分離，且人車之間也會相互影響使得識別與追蹤變得相當困難。

3、車輛行人檢測系統實時性問題。在實際的應用中，往往對檢測系統的反應速度有一定的要求。然而事實并非如此：實際的檢測系統往往需要處理較大的數據量，并且算法搭建往往較為復雜。

發(fā)明內容

有鑒于此，本發(fā)明的目的在于提供一種基于deepstream的道路車人檢測方法，可以增加識別準確性，使識別過程不再受背景，人物形態(tài)的影響。

為達到上述目的，本發(fā)明提供如下技術方案：

本發(fā)明一種基于deepstream的道路車人檢測方法，所述檢測方法以流媒體相機為輸入源，獲取車人的視頻圖像，視頻信號以rtsp流的形式傳輸，在視頻實時傳輸到微型計算機后，使用基于gstream的deepstream技術對rtsp流進行實時處理，通過建立管道對視頻信號完成解析，再通過在管道上建立的插件，完成對道路、車以及人的檢測。

進一步，采用Yolo v4模型技術構建一個目標檢測模型，通過采集到關于車輛行人的相關圖片進行模型訓練，通過GPU來訓練一個目標檢測器。

進一步，通過驗證Bag-of-Freebies和Bag-of-Specials方法在訓練期間的影響，所述Bag-of-Freebies通過增加推理成本、改變網絡結構，來提高目標檢測精度，所述Bag-of-Freebies包括數據增強、網絡正則化和損失函數的設計，所述Bag-of-Specials包括增大模型感受野、引入注意力機制、特征集成、激活函數改進和后處理方法改進。

本發(fā)明的有益效果在于：

本發(fā)明一種基于deepstream的道路車人檢測方法，通過采用yolo v4模型技術，可使檢測精度在保證一定速度的情況下，高于其他檢測方式，降低人車之間的互相影響，且響應速度快。Yolo v4擁有43.5％mAP+65FPS，達到了精度速度最優(yōu)平衡，構建了一個簡單且高效的目標檢測模型，該算法降低了訓練門檻，這使得普通人員都可以使用GPU來訓練一個超快，準確的(super fast and accurate)目標檢測器。通過采用該方法，修改了最先進的方法，并且使其更為有效，適合單GPU訓練。包括CBN，PAN，SAM等，從而使得Yolo v4能夠在一塊GPU上就可以訓練起來。

本發(fā)明的其他優(yōu)點、目標和特征將在隨后的說明書中進行闡述，并且在某種程度上對本領域技術人員而言是顯而易見的，或者本領域技術人員可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書來實現和獲得。

具體實施方式