一种座位占用状态检测方法技术

一种座位占用状态检测方法是通过目标检测技术来实现的，属于深度学习的技术领域，本发明专利技术搜集、使用人头各方向图像，分析、提取数据，并训练出人头检测模型；将训练好的模型装载到程序中，通过事先手动标注图像中座位位置，再对座位位置的图像进行人头检测，从而判断座位的占用状态，并将检测到的数据反馈给系统，本发明专利技术能够在对座位占用状态进行实时检测，及时反馈座位占用状态数据信息，可以提高座位的利用率、降低座位管理的成本投入。

A method of seat occupancy detection

【技术实现步骤摘要】
一种座位占用状态检测方法
本专利技术属于深度学习
，尤其涉及一种座位占用状态检测方法。
技术介绍
深度学习是机器学习领域中一个新的研究方向，是一种能够实现人工智能的方法。它是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。近年来，凭借着深度学习的不断发展与成熟，尤其在与计算机视觉相结合的方向上取得了跨越式的进展机视觉相结合。同时，硬件设备和电子
的不断发展，从而推进了监控设备与目标检测技术的结合，使监控系统智能化成为了可能。现有的目标检测大多是利用深度学习算法而实现的，例如：YOLO系列算法：YOLO是单步one-stage，分为候选区域生成和区域分类，包括了YOLOV1，YOLOV2，YOLOV3算法；SSD算法：采用网格划分的思想，在不同尺度的特征图上考虑不同的尺度，而RPN是在一个特征图上考虑不同的尺度。为了检测不同尺度的目标，SSD对不同卷积层的特征图进行滑窗扫描。在前面卷积层输本文档来自技高网...

【技术保护点】
1.一种座位占用状态检测方法，其特征在于，具体包括如下步骤：/n步骤1：数据集制作，采集样本集，样本主要包括人头各方向的图像和人体全身图像，通过手动标注标签，制作深度学习目标检测训练集，用于训练人头检测模型；/n步骤2：深度学习与人头检测模型的训练；/n步骤3：座位状态检测。/n

【技术特征摘要】
1.一种座位占用状态检测方法，其特征在于，具体包括如下步骤：
步骤1：数据集制作，采集样本集，样本主要包括人头各方向的图像和人体全身图像，通过手动标注标签，制作深度学习目标检测训练集，用于训练人头检测模型；
步骤2：深度学习与人头检测模型的训练；
步骤3：座位状态检测。


2.根据权利要求1所述的一种座位占用状态检测方法，其特征在于，所述的步骤2具体包括以下步骤：
(1)获取数据集中的图像，利用一系列的卷积操作处理输入图像，生成不同大小的特征图；
(2)得到的特征图进行3×3卷积处理，评估默认边界框；
(3)对每个边界框预测偏移量和分类概率；
(4)执行NMS算法，确定真实标签与默认框之间的对应关系，当真实标签框与默认框的交并比高于0.5阈值，默认框与真实标签框匹配，输出该默认框，即指定目标的位置包围框。


3.根据权利要求2所述的一种座位占用状态检测方法，其特征在于，所述的步骤3具体包括以下步骤：
(1)摄像头获取图像数据，手动利用矩阵框标注图像中座位位置；
(2)分别获取每个矩阵框中的图像，每个图像对应相应的座位，对图像进行一系列的卷积操作生成特征图，并对特征图执行3×3卷积处理，评估默认边界框；
(3)对每个边界框预测偏移量和分类概率；
(4)根据人头置信度确定人头与置信度值，并过滤掉属于背景的预测框；
(5)对于留下的预测框进行解码，根据置信度进行降序排列，然后仅保留前400个预测框，执行NMS算法，过滤掉重叠度较大的预测框，如果还有剩余的预测框则为检测结果，可在图像中得到人头位置包围框，由此判断对应的座位被占用，否则表示座位为空。


4.根据权利要求3所述的一种座位占用状态检测方法，其特征在于，所述步骤1的(2)和步骤3的(2)中评估默认边界框的方法为：
在一系列卷积之后的特征图上，以特征图上的每个格点的中心点为中心，生成一系列同中心点的默认边界框。其中正方形边界框最小边长为mini_size，最大边长为(mini_size*max_size)*1/2，另外...

【专利技术属性】
技术研发人员：王斌，刘廷泰，唐蕾，刘传清，金择真，刘攀锋，于子昂，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32