基于改进YOLOv3网络的行人检测方法、系统、介质、设备技术方案

本发明专利技术公开了一种基于改进YOLOv3网络的行人检测方法，包括：1：构建特征提取网络Darknet的残差网络、特征提取网络；2：构建特征金字塔网络，将特征提取网络获取的4个卷积特征与YOLO输出的4种尺度信息进行融合；使YOLO输出层输出4种尺度的特征图；3：YOLOv3算法得到4种尺度特征图上的预测候选框；4：利用k

【技术实现步骤摘要】
基于改进YOLOv3网络的行人检测方法、系统、介质、设备


[0001]本专利技术属于行人检测
，具体涉及一种基于改进YOLOv3网络的行人检测方法、系统、介质、设备。

技术介绍

[0002]随着科技快速的发展，行人检测在智能视频监控、车辆辅助驾驶、智能机器人等领域有着广泛的应用。行人检测作为智能设备的一种核心的技术，可以使机器设备获取图像信息，且对这些信息进行分析处理，帮助人们完成各种识别检测任务。
[0003]YOLOv3算法利用了特征金字塔网络(FPN)实现了三种尺度的预测，分别为13*13、26*26、52*52，其检测精度相比于YOLO、YOLOv2均有所提升。尽管目标检测算法在深度学习YOLOv3方法上已取得不错的成绩，但仍然存在以下问题：卷积神经网络中深层感受野大，经过多次下采样后，更难提取到行人特征，导致小尺寸行人目标存在漏检、误检等情况。

技术实现思路

[0004]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于改进YOLOv3网络的行人检测方法，该方法结合线性缩放来处理行人目标先验框本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3网络的行人检测方法，其特征在于，包括以下步骤：步骤1：构建特征提取网络Darknet的残差网络，将残差网络基本单元中BN层的参数合并到其卷积层；根据构建的残差网络构建特征提取网络，记为特征提取网络Darknet
‑
53；步骤2：构建特征金字塔网络，将特征提取网络Darknet
‑
53经过5次下采样获取图像的4个卷积特征与YOLO输出13*13、26*26、52*52、104*104尺度信息进行融合；使YOLOv3算法中的YOLO输出层输出4种尺度的特征图，其中，4种尺度包括：13*13、26*26、52*52、104*104；步骤3：YOLOv3算法得到4种尺度特征图上的预测候选框；步骤4：利用k
‑
means算法对4种尺度特征图上的预测候选框进行聚类，得到每种尺度特征图上的目标候选框；步骤5：按照尺度从小到大的顺序将4种尺度特征图的目标候选框定位点排列为坐标点队列；对所述坐标点队列进行尺度缩放，缩放计算式为：其中N为坐标点队列中坐标点的总数；m、n分别为缩小系数和放大系数，0<m<1，n>1；(x
i
,y
i
)和(x
′
i
,y
′
i
)分别为坐标点队列中第i个坐标点缩放前和缩放后的坐标值，i＝1,2,
…
,N；根据缩放后的坐标点得到对应的缩放后的目标候选框；步骤6：在缩放后的目标候选框中运用NMS方法，选出特征图上目标候选框中具有最大IOU的目标候选框，根据选出的目标候选框进行行人目标预测。2.根据权利要求1所述的行人检测方法，其特征在于，所述步骤1中将残差网络基本单元中BN层的参数合并到其卷积层，具体为：步骤11：卷积层和BN层融合前，Darknet
‑
53提取网络中卷积层输出y
conv
为：y
conv
＝w*x+b其中x、w、b分别为Darknet
‑
53提取网络中卷积层的输入、权重和偏置；步骤12：将y
conv
输入到BN层，BN层输出y
bn
为：其中μ为BN层输入的均值，σ2为方差，γ为缩放因子，β为偏移量；ε为一个较小数；步骤13：卷积层和BN层合并后，权重参数和偏置为：步骤14：卷积层和BN层合并后，合并输出y
′
融合
为：
其中为合并后卷积权重，为合并后卷积偏置。3.根据权利要求1所述的行人检测方法，其特征在于，步骤5中的目标候选框定位点为目标候选框的左上角、右上角和几何中心处的坐标点。4.根据权利要求1所述的行人检测方法，其特征在于，缩小系数和放大系数的取值为：m＝0.3，n＝1.2。5.根据权利要求1所述的行人检测方法，其特征在于，所述步骤2中，特征提取网络Darknet
‑
53经过5次下采样获取图像的4个卷积特征的具体步骤为：步骤A21：使用尺寸为416*416的图像作为Darknet
‑
53的网络输入，进行第一次下采样；步骤A22：进行第二次下采样，对第二次下采样结果使用2个步骤1中构建的残差网络进行特征提取，输出第一卷积特征为104*104*128；步骤A23：进行第三次下采样，对第三次下采样结果使用8个步骤1中构建的残差网络进行特征提取，输出第二卷积特征为52*52*256；步骤A24：进行第四次下采样，对第四次下采样结果使用通道为512的卷积进行特征提取，输出第三卷积特征为26*26*512；步骤A25：进行第五次下采样，对第五次下采样结果使用4个步骤1中构建的残差网络进行特征...

【专利技术属性】
技术研发人员：马国军，韩松，申佳玮，朱琎，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：