一种人流密集区域行人检测方法及系统技术方案

本发明专利技术涉及一种人流密集区域行人检测方法及系统，通过对已构建的YOLOv4标检测网络进行改进，在其中添加注意力机制模块增加行人特征的权重，同时增加导向锚框模块自适应地调整锚框的形状，在保证网络推理速度的情况下提高行人检测的准确率，以解决现有技术中的检测方法速度与准确率不平衡造成的应用困难问题。本发明专利技术在YOLOv4网络的基础上进行改进，既保留了YOLOv4网络本身速度快、易学习目标泛化特征的优点，又通过引入注意力机制模块，减少了无效特征信息的干扰，有效提高了复杂环境下行人识别的精度；同时，本发明专利技术基于导向锚框方法，自适应地调整锚框的大小，从而生成更符合人体大小的锚框，可以有效提高行人识别的精度。可以有效提高行人识别的精度。可以有效提高行人识别的精度。

【技术实现步骤摘要】
一种人流密集区域行人检测方法及系统


[0001]本专利技术涉及目标检测
，尤其涉及一种人流密集区域行人检测方法及系统。

技术介绍

[0002]近年来，经济社会的不断发展和城市化的不断推进，使得越来越多的人离开家乡，涌入大城市。人群的高度聚集，使得公共场所对密集区域行人检测的需求日益增加。对于城市轨道交通调度而言，实时对站内行人进行检测可以及时掌握站内客流密度，更好地调配车辆，缓解高峰期客运压力；对于地铁站内安防而言，准确快速地检测密集区域的行人可以有效的了解人群的聚集情况，方便安保调度，防范可能发生的踩踏等安全事故。
[0003]目前用于行人检测的方法大致可以分为两类：手工设计模型和深度学习模型。
[0004]手工设计模型又称为传统方法。VJ等采用Adaboost和多尺度Haar小波过完备基结合的方式进行行人检测，并利用用积分图来完达到快速特征计算的目的。Dalal等提出了HOG特征用于行人的特征描述，并通过实验证明HOG比基于灰度的特征更富有信息，同时利用线性SVM作为分类器达到速度与效果的平衡。2007年，PedroF本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人流密集区域行人检测方法，其特征在于，包括步骤：构建目标检测网络YOLOv4，所述目标检测网络YOLOv4包括骨干网络、颈部网络和头部网络；采集人流密集区域的行人数据，建立行人数据集；采用骨干网络对所述行人数据集中的行人特征进行学习，并利用注意力机制对所学习到的行人特征进行数据增强；利用导向锚框改进头部网络，自适应调整锚框的大小；训练改进后的YOLOv4网络，并基于改进后的YOLOv4对行人进行检测。2.根据权利要求1所述的方法，其特征在于，所述利用注意力机制对所学习到的行人特征进行数据增强，包括：利用卷积算子对行人特征进行全局平均池化操作，得到聚合后的特征；计算得到自适应的卷积核大小，利用该卷积核大小进行一维卷积，保持数据特征的维度1
×1×
C不变；通过激活函数将得到的数据特征规范到[0,1]的范围内，并与表示原始行人特征的矩阵W
×
H
×
C相乘，实现对行人特征权重的重新分配，完成特征增强；其中，W为矩阵的宽度，H为矩阵的高度，C为通道数。3.根据权利要求2所述的方法，其特征在于，所述利用导向锚框改进头部网络，自适应调整锚框的大小，包括：利用导向锚框模块和锚框形状的损失函数，对每个位置预测锚框的形状并计算锚框形状的损失函数，以自适应学习锚框的形状参数。4.根据权利要求3所述的方法，其特征在于，所述导向锚框模块包括卷积层和可变卷积层。5.根据权利要求4所述的方法，其特征在于，所述锚框形状的损失函数包括：其中，为锚框形状的损失函数，是经典损失函数Smooth L1，w和h为预测锚框的宽度和高度，和是基准框的宽度和高度。6.根据权利要求5所述的方法，其特征在于，所述训练改进后的YOLOv4网络，并基于改进后的YOLOv4对行人进行检测，包括：使用所述行人数据集对改进后的YOLOv4网络进行训练，以最小化损失函数；将待检测的图像输...

【专利技术属性】
技术研发人员：杨军，郑颖，樊汶林，金坤，刘泓江，闫坤萍，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：