[發明專利]一種基于深度學習的行人檢測方法及系統

在審

• 申請號: 202211320116.4
• 申請日: 2022-10-26
• 公開（公告）號: CN115641535A
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 靳慧龍;杜瑞焱;張雙;趙佳;劉萬明;喬立永;劉亞川
• 申請（專利權）人: 河北師范大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V40/10;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京盛廣信合知識產權代理有限公司 16117
• 代理人: 秦全

1.一種基于深度學習的行人檢測方法，其特征在于，包括以下步驟：

優化YOLOv3算法，得到優化模型；

采集視頻信息，基于所述視頻信息篩選得到行人圖像；

將所述行人圖像輸入至所述優化模型中進行訓練并驗證，得到行人檢測模型；

通過所述行人檢測模型對行人進行檢測，得到行人檢測結果。

2.根據權利要求1所述一種基于深度學習的行人檢測方法，其特征在于，獲得所述優化模型的方法包括：

利用深度可分離卷積替換所述YOLOv3算法中ResNet模塊的卷積操作，完成網絡輕量化，得到所述優化模型。

3.根據權利要求2所述一種基于深度學習的行人檢測方法，其特征在于，完成所述網絡輕量化的過程包括：

所述深度可分離卷積通過結合Depthwise和Pointwise兩部分來提取特征，Depthwise對輸入層的每個通道獨立進行卷積運算，結合Pointwise進一步利用不同通道在相同空間位置上的特征信息。

4.根據權利要求2所述一種基于深度學習的行人檢測方法，其特征在于，所述優化模型包括：

3×3和1×1的卷積層、改進的ResNet模塊、雙線性插值的上采樣層、特征融合route層和檢測圖輸出層。

5.根據權利要求1所述一種基于深度學習的行人檢測方法，其特征在于，所述行人檢測模型的訓練過程包括：

將所述行人圖像劃分為訓練集和驗證集；

設置所述訓練集中樣本數；

將所述訓練集輸入至所述優化模型中進行迭代訓練，得到訓練模型；

將所述驗證集輸入至所述訓練模型中進行驗證，得到所述行人檢測模型。

6.根據權利要求1所述一種基于深度學習的行人檢測方法，其特征在于，所述行人檢測模型的工作流程包括：

采集現場實時行人圖像；

將所述實時行人圖像輸入至所述行人檢測模型中進行標記，得到行人標記框；

基于所述行人標記框，計算行人之間的距離，得到距離計算結果；

基于所述距離計算結果，對行人進行標注，得到所述行人檢測結果。

7.根據權利要求6所述一種基于深度學習的行人檢測方法，其特征在于，所述距離計算結果的計算公式為：

其中，n表示n維歐氏空間，是一個點集；n維歐式空間中每個點可以表示為x₁，x₂，…x_n，x_i為x的第i個點的坐標，i＝1，2…n；兩個點x＝(x₁，x₂，…x_n)和y＝(y₁，y₂…y_n)之間的距離d(x,y)代表檢測框中心點之間的距離。

8.根據權利要求6所述一種基于深度學習的行人檢測方法，其特征在于，所述行人檢測結果包括：

當所述距離計算結果小于所述行人標記框寬度的預設倍數時，判斷為集群現象，并將所述行人標記框合并為一個藍色檢測框；

當所述距離計算結果大于所述行人標記框寬度的預設倍數時，判斷為單獨行人，并將所述行人標記框標注為紅色。

9.一種基于深度學習的行人檢測系統，其特征在于，包括：模型優化模塊、信息采集模塊、模型訓練模塊和行人檢測模塊；

所述模型優化模塊用于優化YOLOv3算法，得到優化模型；

所述信息采集模塊用于采集視頻信息，基于所述視頻信息篩選得到行人圖像；

所述模型訓練模塊用于基于所述行人圖像，對所述優化模型進行訓練并驗證，得到行人檢測模型；

所述行人檢測模塊用于通過所述行人檢測模型對行人進行檢測，得到行人檢測結果。