一种基于YOLOv5的校园图书馆的占座检测方法技术

本发明专利技术涉及一种基于YOLO v5的校园图书馆的占座检测方法。摄像头以及YOLO V5目标检测算法实时监测图书馆的座位空置情况，比如座位上有人就会判定此座位上有人，如果此座位上没检测到人，需要判断此时是否是恶意占座行为，桌上的灯会亮为红色，若检测到座位上有书但没有人，即认定为占座行为，此时开始计时，若占座时间大于30分钟，则认为此时是恶意占座，桌上的灯就会变成绿色，表示没座位的同学可坐下，这个座位上的上个人离开过久或其他同学一个人占用多个位置。需要做的就是第一步检测座位上是否有人，无人的话再检测桌子上是否有书或者包之类的较大占座物品，再计算占座物品的放置时间。超过30分钟这则认定为是恶意占座行为，其他同学可放心坐下。其他同学可放心坐下。其他同学可放心坐下。

【技术实现步骤摘要】
一种基于YOLO v5的校园图书馆的占座检测方法


[0001]本专利技术涉及一种基于YOLO v5的校园图书馆的占座检测方法。

技术介绍

[0002]近年来，随着考研人数和考公考编人数激增，但学校图书馆的座位数量有限，不可能满足所有学生都有座位，且很多同学之间以及设有朋友帮忙占座，在座位上放置了几本书或者书包占座，可能一个上午这个座位上都没人，但是由于这里放了书，没座位的同学会认为这个座位上一会有人，导致找不到座位学习，但这个座位可能会闲置很长时间甚至几个小时，这就使得座位更加的紧缺，并且位置利用率大大降低，不利于同学们的备考。甚至还有同学因为占座的缘故，发生争执，因此，需要一种装置来实现占座行为的检测，用机器的判断也能减少争执和大大提高座位的利用率，防止恶性占座。

技术实现思路

[0003]本专利技术的目的在于提供一种基于YOLO v5的校园图书馆的占座检测方法，利用YOLO V5检测模型，以及能够获得更加合理的anchor框的K
‑
means聚类算法，快速检索出关键点并识别出桌子椅和人、书、包等物体的监测系统。
[0004]为实现上述目的，本专利技术的技术方案是：一种基于YOLO v5的校园图书馆的占座检测方法，采用融合K
‑
means的YOLO 5检测方法，获得更加合理的anchor框算法，提高分类目标检测的准确性，该方法具体实现步骤如下：步骤S1、从图书馆内摄像头对监控区域的监控视频中获取场景图像，根据深度学习目标检测算法框架YOLO 5检测图像中的桌子和椅子 ；步骤S2、利用K
‑
means聚类算法获得更加合理的YOLO V5所需要的9个anchor框；步骤S3、检测到椅子和人后，计算椅子和人的图像之间的重合程度的IOU比值来判定此时椅子上是否有人；步骤S4、判断此距离是否小于阈值，若小于阈值，则判定此座位上有人，亮起红灯，若无人时，则继续检测书和包；步骤S5、若没有检测到书和包，则此时判定为无人且该位置可坐，并亮起绿灯；步骤S6、若检测到书和包，则开始计时，若无人时间超过30分钟，则判定为恶意占座，亮起绿灯。
[0005]在本专利技术一实施例中，在步骤S1中，所述YOLO V5的训练包括以下步骤；步骤A1、首先构建出包含有桌子、椅子以及学生的数据集，再通过包括仿射变换、旋转的方法扩增数据集，生成足够大且图片质量高的数据集；步骤A2、搭建YOLO V5框架所需要的神经网络模型，采用pytorch网络框架，激活函数采用Relu激活函数，解决输入值为负值时神经元死亡的问题；步骤A3、数据的划分为训练集：验证集：测试集=8：1：1，加入Auto Learning Bounding Box Anchors
‑
自适应锚定框，采用 k 均值和遗传学习算法对自定义数据集进行
分析，获得适合自定义数据集中对象边界框预测的预设锚定框，并且这种框是基于训练数据自动学习的。
[0006]在本专利技术一实施例中，以Darknet
‑
53为骨干网络，采用3个不同尺度的特征层分别为 13
×
13、26
×
26、52
×
52，YOLO V5首先为每种下采样尺度设定 3 种先验框从而聚类得到9种尺寸的先验框；在整个YOLO V5的结构中，没有池化层和全连接层，网络的下采样是通过设置卷积的stride为3来达到的；在基于现阶段YOLO V5算法识别目标的基础上融合DeepSort算法，并集成prediction heads预测头，应用在无人机拍摄上，最后达到能在高密度场景中准确定位目标并进行持续追踪的技术。
[0007]相较于现有技术，本专利技术具有以下有益效果：本专利技术通过在图书馆内配备监控摄像头利用YOLO V5模型进行馆内桌子上作为是否存在占座的监测，将摄像头获取到的视频帧送入YOLO V5模型中，在基于现阶段YOLO V5算法识别目标的基础上融合了DeepSort算法，并集成了prediction heads预测头，应用在无人机拍摄上，最后达到能在高密度场景中准确定位目标并进行持续追踪的技术，以达到实时监测的目的。
附图说明
[0008]图1是YOLO V5的网络结构示意图；图2是YOLO V5模型的损失函数公式；图3是本专利技术的实施例的工作流程示意图；图4是本专利技术对馆内椅子是否空座的识别结果；图5是检测空座时是否有占座物品的识别结果。
具体实施方式
[0009]下面结合附图，对本专利技术的技术方案进行具体说明。
[0010]本专利技术一种基于YOLO v5的校园图书馆的占座检测方法，采用融合K
‑
means的YOLO 5检测方法，获得更加合理的anchor框算法，提高分类目标检测的准确性，该方法具体实现步骤如下：步骤S1、从图书馆内摄像头对监控区域的监控视频中获取场景图像，根据深度学习目标检测算法框架YOLO 5检测图像中的桌子和椅子 ；步骤S2、利用K
‑
means聚类算法获得更加合理的YOLO V5所需要的9个anchor框；步骤S3、检测到椅子和人后，计算椅子和人的图像之间的重合程度的IOU比值来判定此时椅子上是否有人；步骤S4、判断此距离是否小于阈值，若小于阈值，则判定此座位上有人，亮起红灯，若无人时，则继续检测书和包；步骤S5、若没有检测到书和包，则此时判定为无人且该位置可坐，并亮起绿灯；步骤S6、若检测到书和包，则开始计时，若无人时间超过30分钟，则判定为恶意占座，亮起绿灯。
[0011]以下为本专利技术具体实施实例。
[0012]本实施例提供一种基于YOLO V5的校园图书馆占座检测方法，本专利技术的学生以及桌子、椅子、书和包的检测使用到了端到端的深度学习目标检测算法YOLO V5，采用K
‑
means
算法，优化了模型，提高检测性能。YOLO V5网络模型如附图1所示。
[0013]具体的，YOLO V5模型采ReLU作为激活函数并且采用端到端的方法进行训练，YOLO V5模型进行梯度下降法时采用的损失函数如附图2所示：其中第一部分与第二部分负责预测物体的bbox(边界框)，第一部分表示了图像沿神经网络正向传播得到的中心点坐标与ground truth中心点错标的误差值，第二部分衡量了图像沿神经网络正向传播得到的边框宽高与ground truth宽高的误差值；第三部分表征了含有目标对象的预测边框置信度的误差值，含有目标对象的预测边框置信度应该经过训练后达到1；第四部分表征了不包含目标对象的预测边框置信度的误差值，不含有目标对象的预测变宽置信度经过训练后应该达到0；第五部分为包含目标对象的网格预测分类误差项。
[0014]下面将结合附图3工作流程图来说明具体实施步骤：步骤1、从监控摄像头对监控区域的监控视频中获取场景图像；步骤2、利用K
‑
means算法生成9个YOLO V5模型所需要的初始anchor框；步骤3、根据深度学习目标检测算法框架YO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO v5的校园图书馆的占座检测方法，其特征在于，采用融合K
‑
means的YOLO 5检测方法，获得更加合理的anchor框算法，提高分类目标检测的准确性，该方法具体实现步骤如下：步骤S1、从图书馆内摄像头对监控区域的监控视频中获取场景图像，根据深度学习目标检测算法框架YOLO 5检测图像中的桌子和椅子 ；步骤S2、利用K
‑
means聚类算法获得更加合理的YOLO V5所需要的9个anchor框；步骤S3、检测到椅子和人后，计算椅子和人的图像之间的重合程度的IOU比值来判定此时椅子上是否有人；步骤S4、判断此距离是否小于阈值，若小于阈值，则判定此座位上有人，亮起红灯，若无人时，则继续检测书和包；步骤S5、若没有检测到书和包，则此时判定为无人且该位置可坐，并亮起绿灯；步骤S6、若检测到书和包，则开始计时，若无人时间超过30分钟，则判定为恶意占座，亮起绿灯。2.根据权利要求1所述的一种基于YOLO v5的校园图书馆的占座检测方法，其特征在于，在步骤S1中，所述YOLO V5的训练包括以下步骤；步骤A1、首先构建出包含有桌子、椅子以及学生的数据集，再通过包括仿射变换、旋转的方法扩增数据集，生成足够大且图片质量高的数据集；步骤A2、搭建YOLO V5...

【专利技术属性】
技术研发人员：陈国栋，陈文铿，林榆翔，赵志峰，黄立萱，方莉，严铮，林鸿强，边根成，
申请(专利权)人：福州大学，
类型：发明
国别省市：