一种基于边界选择的人流统计的装置和方法制造方法及图纸

本发明专利技术公开了一种基于边界选择的人流统计的装置和方法，属于深度学习和图像处理领域。本发明专利技术通过对YOLO神经网络进行改进，即将YOLO单元的划分从7×7增加到9×9，每个单元的检测数量增加到3，再用SqueezeNet中的Fire模块分别替代YOLO‑PC神经网络中的第16个、第18个和第24个3×3的卷积层，并将Fire模块中的压缩部分的卷积核数量由128减少为96，重新训练网络，即可得到新的S‑YOLO‑PC神经网络，再利用S‑YOLO‑PC神经网络进行边界选择的人流统计，利用新的神经网络，使得其在模型大大缩小的情况下提高了其精确度，能够用于多种场合的人流检测。

A Device and Method of Flow Statistics Based on Boundary Selection

The invention discloses an apparatus and a method for human flow statistics based on boundary selection, which belongs to the field of deep learning and image processing. The invention improves the YOLO neural network by increasing the division of YOLO units from 7*7 to 9*9, increasing the number of detection units to 3, replacing the 16th, 18th and 24th 3*3 convolution layers of YOLO_PC neural network with Fire module in SqueezeNet, reducing the number of convolution cores of compression parts of Fire module from 128 to 96, and retraining the network. A new S_YOLO_PC neural network can be obtained. Then the S_YOLO_PC neural network can be used to calculate the human flow of boundary selection. By using the new neural network, the accuracy of the model can be improved greatly when the model is greatly reduced, and it can be used to detect human flow in many situations.

【技术实现步骤摘要】
一种基于边界选择的人流统计的装置和方法
本专利技术涉及一种基于边界选择的人流统计的装置和方法，属于深度学习和图像处理领域。
技术介绍
在视频监控画面中，行人是非常重要的检测目标，行人检测、人群密度估计和人流统计等工作均是智慧安防、智能楼宇的关键组成部分。视频中多变复杂的背景给如何在监控画面中区分检测行人和其它类别物体以及有效分别行人和其背景提出的难题。这项工作在具体的场景中往往出现检测不准确，计数不准确，检测和计数结果延时较长，深度模型占用存储空间较大，不利于传输和下载等问题。近年来深度学习技术掀起了人工智能的浪潮，在图像分类和目标检测领域，深度卷积神经网络更是取得了一系列重大的突破，准确率有很大提升。但是，机器人控制、自动驾驶技术这类相关的工作不仅要追求准确率，更重要的是速度，必须依赖低延时的系统。近几年R-CNN、FastR-CNN和FasterR-CNN这几种方法代表了目标检测最先进的水平，而YOLO(YouOnlyLookOnce)是其中实时性性能最好的一种方法。YOLO是一种先进的实时目标检测算法，其准确率比较高，但在实际的应用环境中还是遇到许多问题，例如占用较大存储空间，本文档来自技高网...

【技术保护点】
1.一种基于边界选择的人流统计的方法，其特征在于，所述方法包括以下步骤：步骤1：设定摄像头的高度和角度使得采集的画面可以覆盖待测定人流的区域，通过摄像头采集人流画面；步骤2：通过含有GPU的设备设定S‑YOLO‑PC神经网络的检测置信度；步骤3：S‑YOLO‑PC神经网络读取摄像头采集到的图像；步骤4：通过含有GPU的设备设定S‑YOLO‑PC神经网络的边界并且检测行人行为；步骤5：S‑YOLO‑PC神经网络统计人流信息；步骤6：通过含有GPU的设备将人流统计的结果信息实时输出到电脑屏幕或摄像头自带的屏幕；所述S‑YOLO‑PC神经网络为改进的YOLO神经网络：将YOLO单元的划分从7×7增加...

【技术特征摘要】
1.一种基于边界选择的人流统计的方法，其特征在于，所述方法包括以下步骤：步骤1：设定摄像头的高度和角度使得采集的画面可以覆盖待测定人流的区域，通过摄像头采集人流画面；步骤2：通过含有GPU的设备设定S-YOLO-PC神经网络的检测置信度；步骤3：S-YOLO-PC神经网络读取摄像头采集到的图像；步骤4：通过含有GPU的设备设定S-YOLO-PC神经网络的边界并且检测行人行为；步骤5：S-YOLO-PC神经网络统计人流信息；步骤6：通过含有GPU的设备将人流统计的结果信息实时输出到电脑屏幕或摄像头自带的屏幕；所述S-YOLO-PC神经网络为改进的YOLO神经网络：将YOLO单元的划分从7×7增加到9×9，每个单元的检测数量增加到3，得到YOLO-PC神经网络，再用SqueezeNet中的Fire模块分别替代YOLO-PC神经网络中的第16个、第18个和第24个3×3的卷积层，并将Fire模块中的压缩部分的卷积核数量由128减少为96，重新训练网络，即可得到S-YOLO-PC神经网络。2.根据权利要求1所述的一种基于边界选择的人流统计的方法，其特征在于，步骤2中所述检测置信度为0.2-0.4。3.根据权利要求1或2所述的一种基于边界选择的人流统计的方法，其特征在于，所述训练网络仅训练“人”这一类目标。4.根据权利要求1-3任一所述的一种基于边界选择的人流统计的方法，其特征在于，所述边界为从243个YOLO单元中选择一个或多个网格单元作为区域边界，并根据人们的实际情况选择不同的边界，当人们从某个地方向左转，选择视频左边区域的边界，边界的值为81-89，108-116或135-143中的数值；当人们从某个地方向右转，边界的值为99-107，126-134或153-161中的数值；当人们直行时，边界的值为90-98，117-125或144-152中的数值。5.根据权利要求4所述的一种基于边界选择的人流统计的方法，其特征在于，所述边界为从243个单元...

【专利技术属性】
技术研发人员：方伟，王林，任培铭，吴小俊，孙俊，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32