一种基于深度学习的复杂环境下行人实时检测方法技术

本发明专利技术提供一种基于深度学习的复杂环境下行人实时检测方法，包含步骤：S1、建立基于YOLO算法的检测模型；S2、选取色热图片库中复杂环境下的若干张行人图像，建立训练数据集和测试数据集，将所述训练数据集输入所述检测模型，训练检测模型；S3、将测试数据集输入训练好的检测模型，输出对测试数据集的红外热图像、RGB彩色图像中行人目标的检测结果，并通过非极大值抑制方法筛选所述检测结果；S4、与YOLOv3、YOLO‑tiny检测算法进行比对，验证检测精度、检测速度。

A real-time pedestrian detection method based on deep learning in complex environment

【技术实现步骤摘要】
一种基于深度学习的复杂环境下行人实时检测方法
本专利技术属于目标识别领域，特别涉及一种基于深度学习的复杂环境下行人实时检测方法。
技术介绍
行人检测因在驾驶辅助(自动驾驶车辆)、机器人技术、人的再识别、视频监控、行人行为分析等领域的广泛应用，而受到计算机视觉界的广泛关注。目前，与传统方法相比，深度学习技术在行人检测领域取得了良好的效果。然而，在一些复杂的自然环境中，仅依靠可见光谱图像或红外光谱图像的检测任务的结果不够准确。行人目标在复杂的环境中会遇到很多挑战，如:烟雾、雨水、灰尘、光线暗淡等。RGB彩色图像光谱信息丰富，在一定的光照下可以反映场景的细节，但在能见度较差时很难检测到目标；红外热图像是一种热辐射图像,灰度级是由观察目标和背景之间的温差确定，通常缺乏结构信息,因此,目标容易与背景混合,导致误检和漏检。在这种情况下，严重影响行人目标检测系统的可靠性和实用性，因此复杂环境下的实时行人检测这一研究课题具有重大的现实意义。
技术实现思路
本专利技术的目的是提供一种基于深度学习的复杂环境下行人实时检测方法，能够快速、准确的检测到复杂环境下红本文档来自技高网...

【技术保护点】
1.一种基于深度学习的复杂环境下行人实时检测方法，其特征在于，包含步骤：/nS1、建立基于YOLO算法的检测模型；所述检测模型具体包含依序连接的：基于ResNet的五层卷积网络层、基于SPP的三层最大池化层、三层目标检测层；/nS2、选取色热图片库中复杂环境下的若干张行人图像，并将所述行人图像设置为预定的尺寸；从所述若干张行人图像中选取部分行人图像作为训练数据集，其余的行人图像作为测试数据集；将所述训练数据集输入所述检测模型，训练检测模型；/nS3、将测试数据集输入训练好的检测模型，输出对测试数据集中行人目标的检测结果，并筛选所述检测结果；/nS4、与YOLOv3、YOLO-tiny检测算法进...

【技术特征摘要】
1.一种基于深度学习的复杂环境下行人实时检测方法，其特征在于，包含步骤：
S1、建立基于YOLO算法的检测模型；所述检测模型具体包含依序连接的：基于ResNet的五层卷积网络层、基于SPP的三层最大池化层、三层目标检测层；
S2、选取色热图片库中复杂环境下的若干张行人图像，并将所述行人图像设置为预定的尺寸；从所述若干张行人图像中选取部分行人图像作为训练数据集，其余的行人图像作为测试数据集；将所述训练数据集输入所述检测模型，训练检测模型；
S3、将测试数据集输入训练好的检测模型，输出对测试数据集中行人目标的检测结果，并筛选所述检测结果；
S4、与YOLOv3、YOLO-tiny检测算法进行比对，验证检测精度、检测速度。


2.如权利要求1所述的基于深度学习的复杂环境下行人实时检测方法，其特征在于，步骤S1所述的检测模型中，每层最大池化层均包含一个滤波器，三层最大池化层的滤波器尺寸分别为5×5、9×9、13×13像素。


3.如权利要求1所述的基于深度学习的复杂环境下行人实时检测方法，其特征在于，步骤S1所述的检测模型中，三层目标检测层的检测尺度分别为13×13、26×26、104×104像素；通过K-means聚类算法...

【专利技术属性】
技术研发人员：孙丽华，周薇娜，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31