一种移动机器人在复杂背景下的人数统计方法技术

本发明专利技术提供一种移动机器人在复杂背景下的人数统计方法，通过深度学习技术对移动机器人上采集到的可见光图像做初步检测，再通过红外摄像头采集得到的红外图像对初步的检测结果做进一步的结果过滤，完成移动机器人在复杂背景下的人数统计问题，解决了现有技术方案检测精度不高、误检现象严重，无法满足监狱等特殊场景对检测结果要求严格的问题。

【技术实现步骤摘要】
一种移动机器人在复杂背景下的人数统计方法
本专利技术涉及移动机器人
，具体而言，涉及一种移动机器人在复杂背景下的人数统计方法。
技术介绍
目前，现有的在复杂背景下的人数检测方法大多存在速度慢、准确度低、可靠性差的问题，导致在一些对准确率、误检率要求较为严格的场景完全不适用。在申请号为CN109359577A的专利技术专利中，介绍了“一种基于机器学习的复杂背景下人数检测系统”，它基于红外图像，从红外图像视频流中做多尺度通道特征叠加，使用机器学习算法中的Adaboost算法训练，实现对人数的检测。然而，红外图像本身信息有限，再加上分类所使用的通道特征全靠人工选择，这从数据信息来源上就限制了此类算法的准确度，在加上诸如灯源、光滑反射物等会给红外图像带来极大干扰，从而限制了其适用场景。随着深度学习技术的发展，计算机视觉方向取得了极大的进步，在人脸检测、行人检测等视觉任务上大大提高了基于传统图像处理或机器学习算法的方法的精度。例如，2018年，张等人就关注了遮挡问题下的行人检测，在论文《Occlusion-awareR-CNN:DetectingP本文档来自技高网...

【技术保护点】
1.一种移动机器人在复杂背景下的人数统计方法，其特征在于，包括如下步骤：/n步骤S1、获取移动移动机器人拍摄的第一可见光图像，对所述第一可见光图像进行标注，构建在具体环境下的人员检测数据集，并将所述人员检测数据集划分为训练集、验证集和测试集；其中，标注时的标注部位为人员的头部；/n步骤S2、以darknet-53网络作为特征提取骨架网络，使用一阶段方法YOLO v3的目标检测框架构建检测模型并微调，具体为调整激活函数和损失函数的微调，其中激活函数为Mish函数表达式如下：/nMish(x)＝x·tanh(log(1+e

【技术特征摘要】
1.一种移动机器人在复杂背景下的人数统计方法，其特征在于，包括如下步骤：
步骤S1、获取移动移动机器人拍摄的第一可见光图像，对所述第一可见光图像进行标注，构建在具体环境下的人员检测数据集，并将所述人员检测数据集划分为训练集、验证集和测试集；其中，标注时的标注部位为人员的头部；
步骤S2、以darknet-53网络作为特征提取骨架网络，使用一阶段方法YOLOv3的目标检测框架构建检测模型并微调，具体为调整激活函数和损失函数的微调，其中激活函数为Mish函数表达式如下：
Mish(x)＝x·tanh(log(1+ex))
损失函数为focalloss函数，表达式为：



式中，y是检测框真实标签，p为预测值，α为正负样本平衡参数，γ为难易样本平衡参数；
步骤S3、对所述训练集进行数据增强处理，然后送入所述检测模型进行训练；
步骤S4、使用迁移学习法加载预训练网络权值，再使用数据增强处理后的所述训练集对所述检测模型进行训练，并通过所述验证集进行验证，获取平均误差精度均值满足要求的所述检测模型；
步骤S5、获取移动机器人运行时拍摄的第二可见光图像和红外图像，对所述第二可见光图像和所述红外图像进行投影对齐处理；<...

【专利技术属性】
技术研发人员：彭倍，罗忠福，邵继业，葛森，
申请(专利权)人：四川阿泰因机器人智能装备有限公司，
类型：发明
国别省市：四川;51