一种基于深度学习的实时的铁路口多摄像头行人检测方法技术

本发明专利技术提出了一种基于深度学习的实时的铁路口多摄像头行人检测方法，包括以下步骤：通过多个摄像头采集的视频，摄像头对重点监控区域重叠监控；选择需要检测的摄像头区域并获取该区域下的摄像头视频流；在GPU处理器集群中进行视频图像处理：首先将图像切割，然后用训练好的行人检测模型对切割后的图像进行检测；实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度；计算行人区域坐标，获取当前时间戳并发送到用户客户端。一种基于深度学习的实时的铁路口多摄像头行人检测方法，将视频处理和深度学习相结合，并采用摄像头重叠监控的方法以提高铁路口行人检测的准确率。

Real time multi camera pedestrian detection method based on deep learning

A real-time multi-camera pedestrian detection method for railway crossings based on depth learning is proposed. The method comprises the following steps: video captured by multiple cameras, cameras overlap and monitor the key monitoring area; selecting the camera area to be detected and obtaining the video stream of the camera in the area; and GPU processor. Video image processing in cluster: firstly, the image is cut, then the trained pedestrian detection model is used to detect the cut image; real-time monitoring of GPU usage in GPU processor and scheduling according to scheduling strategy; calculating pedestrian area coordinates, obtaining the current timestamp and sending it to the user client. A real-time multi-camera pedestrian detection method based on depth learning is proposed, which combines video processing with depth learning. The method of camera overlap monitoring is used to improve the accuracy of pedestrian detection.

【技术实现步骤摘要】
一种基于深度学习的实时的铁路口多摄像头行人检测方法
本专利技术涉及视频处理、人工智能、深度学习，具体涉及到一种基于深度学习的实时的铁路口多摄像头行人检测方法。
技术介绍
行人检测是复杂场景中目标检测研究领域中的一个非常热门的研究课题，与此同时，随着深度学习的兴起，复杂场景中的目标检测得到了很大程度上的发展，检测精度和效率也越来越高，然而行人检测领域仍面临许多挑战，尤其是面对铁路口环境复杂的挑战下。深度学习在近几年发展十分迅速，应用领域也越来越广泛，卷积神经网络作为深度学习的一种方法，在目标检测、文字识别等领域有着十分显著的效果。通过自动学习提取图像中的信息特征，大大减少了人工干预，并且可以提取出高质量的有效信息特征，从而为提高物体检测分类、目标识别的准确率打下了坚实的基础。近年来对复杂场景中行人检测的研究越来越多，大体可以分为两类：基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点：行人的姿态、服饰各不相同；提取的特征在特征空间中的分布不够紧凑；分类器的性能受训练样本的影响较大；离线训练时的负样本无法涵盖所有真实应用场景的情况；尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注意力集中于此。典型的代表是法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法。近年来，铁路口交通和贸易迅速发展，然而贴路口的监控和管理水平却跟不上经济的快速发展，无法对铁路口进行有效的管理，容易出现行人非法进入等现象，引发交通事故，会造成人员伤亡、财产损失，影响铁路口的运作效率并造成严重的经济损失。为了确保铁路安全，行人检测等技术越来越重要。行人检测并及时预警可以很大程度上规避上述风险，帮助铁路口实现有效的管理。因此，需要一种有效的行人检测系统，监测铁路口进出的行人，提高铁路口管理水平，避免出现意外事故，当发生行人非法进入现象时可以及时检测和报警。
技术实现思路
为了解决复杂场景中行人检测准确率和效率较低的问题，本专利技术的目的是提供一种基于深度学习的实时的铁路口多摄像头行人检测方法。该方法大大地提高了行人检测的准确度和效率。专利技术的一种基于深度学习的实时的铁路口多摄像头行人检测方法，包括：步骤1：通过铁路口摄像头采集监控区域的视频流；步骤2：在GPU处理器集群中解码视频流，并进行图像检测处理；步骤3：实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度；步骤4：计算行人区域坐标，获取当前时间戳并发送到用户客户端；进一步的，在所述步骤1中，所提到的通过铁路口摄像头采集监控区域的视频流，具体包括：采取多摄像头重叠监控重点区域，以提高行人检测的准确率。进一步的，在所述步骤2中，所提到的图像检测处理，具体包括：首先将视频流解码，对解码后的图像进行二分重叠分割，然后用训练好的行人检测模型对分割后的图像进行检测。其中行人检测模型的训练过程包括：通过挖掘历史铁路口视频数据库，提取有效视频数据信息并进行图像预处理构建SSD行人数据库；利用SSD网络模型和默认的参数对行人数据库进行训练，根据中间结果，对初始值、训练速率和迭代次数不断进行调整，获得较优的SSD船舶分类网络模型。本专利技术的有益效果是：(1)将深度学习技术和视频处理技术相结合，用深度学习的方法对铁路口中的复杂场景进行行人检测，提高了行人检测的速度和精度；(2)采用多摄像头对重叠区域进行重复检测，提高了行人检测的准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中基于深度学习的实时的铁路口多摄像头行人检测的总体流程图；图2为本专利技术中GPU处理器集群中的GPU资源调度策略；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术基于深度学习的实时的铁路口多摄像头行人检测方法，包括以下几个基本步骤：获取监控区域下的视频流；GPU处理器集群中进行视频图像处理；采用GPU调度策略进行GPU调度；将最终结果发送至用户客户端。下面对基于深度学习的实时的铁路口多摄像头行人检测方法进行详细说明：如图1所示，在铁路口安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的视频流；将视频流解码，对解码后的图像进行二分重叠分割，然后用训练好的行人检测模型对分割后的图像进行检测；实时监控GPU处理器集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度；计算行人区域坐标，获取当前时间戳并发送到用户客户端。GPU资源调度层根据调度策略如图2所示，实时监控当前GPU资源使用情况，在GPU处理器集群分配任务之前，首先检查当前GPU消耗是否过大，如果消耗过大，则查看GPU使用情况列表和GPU计算能力列表，重新选择GPU接收任务。本专利技术的基于深度学习的实时的铁路口多摄像头行人检测方法，将深度学习技术和视频处理技术相结合，用深度学习的方法对铁路口进行行人检测，提高了行人检测的速度和精度；采用多摄像头对重点监测区域进行重叠监控，重复检测，提高了铁路口行人检测的准确率。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的实时的铁路口多摄像头行人检测方法，包括：采集视频、图像处理、GPU资源调度、返回结果，其特征在于：获取监控区域下的视频流；GPU处理器集群中进行视频图像处理；采用GPU调度策略进行GPU调度；将最终结果发送至用户客户端。

【技术特征摘要】
1.一种基于深度学习的实时的铁路口多摄像头行人检测方法，包括：采集视频、图像处理、GPU资源调度、返回结果，其特征在于：获取监控区域下的视频流；GPU处理器集群中进行视频图像处理；采用GPU调度策略进行GPU调度；将最终结果发送至用户客户端。2.如权利要求1所述的一种基于深度学习的实时的铁路口多摄像头行人检测方法，其特征在于，所述获取监控区域下的视频流的步骤，包括：在铁路口安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的视频流。3.如权利要求1所述的一种基于深度学习的实时的铁路口多摄像头行人检测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：张卫山，孙浩云，徐亮，刘霞，耿祖坤，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37