一种基于YOLOv4-Tiny算法的车让人检测方法技术

本发明专利技术公开了一种基于YOLOv4

【技术实现步骤摘要】
一种基于YOLOv4
‑
Tiny算法的车让人检测方法


[0001]本专利技术涉及一种基于YOLOv4
‑
Tiny算法的车让人检测方法，属于深度学习中的目标检测领域，主要应用于人行横道上车辆是否礼让行人的场景。

技术介绍

[0002]在城市交通中，行人通常被认为是脆弱的道路使用者，在道路交通事故中极易受到严重的伤害甚至死亡，行人过街造成的交通事故占了各类事故的一大部分，根据《中国道路交通事故统计年报》数据，这类事故能占到道路交通事故死亡总人数的26％，因此设计一种车让人检测算法对于保障道路交通安全显得尤为重要。
[0003]在传统的车让人检测方法中，主要通过交警现场发现车辆不礼让行人或者通过传统的摄像头抓拍。交警现场发现的方式，效率较低，占用大量的人力，同时易受人为主观因素影响，会发生一定的漏检和误检现象；采用常规的摄像头抓拍的方式，易受摄像头安装的影响，其存在着对系统要求计算能力较高、识别率较低、稳定性较低等缺点。
[0004]在本专利技术设计的车让人检测方法中，对从摄像头获取的视频中的行人和车辆，对其进行位置实时检测是一个关键问题，实现对车辆和行人位置关系的一个判定后，进而判断车辆是否礼让行人。当前的车让人检测方法主要包括两种：基于对象的检测方法、基于关系的检测方法。中国专利CN104680133A中的车让人检测方法就是基于关系的车辆检测方法，该专利首先获取图像视频信息，接着对车辆进行速度检测和轨迹追踪，然后判别车辆和行人的关系，最后判别出车辆是否礼让行人的状况。
[0005]上述车让人检测算法虽然能够获取视频车辆检测结果，但是摄像头实际安装时，因为不能够确保安装摄像头在同一视角，所以当摄像头视角发生变化时，摄像头会识别车辆和行人的位置会发生错误，从而检测结果会发生很大的偏差，增加了误检率；同时采用的算法实时性较差，对系统的计算能力要求较高，不能够实时准确的检测出车辆在斑马线上是否礼让行人的违规行为，

技术实现思路

[0006]为了克服上述现有技术的不足，本专利技术提出了一种基于YOLOv4
‑
Tiny算法的车让人检测方法。一方面为了提高检测速率，对深度学习中的通用目标检测框架YOLOv4
‑
Tiny进行优化设计，从而提高车辆和行人的检测速率。另一方面，对检测区域采用画框并标号的方法，即使在摄像头视角发生变化时，也能极大的提高检测准确率，实现车辆是否礼让行人的场景实时准确检测。
[0007]本专利技术所采用的技术方案是：
[0008]一种车让人检测方法，
[0009]步骤一：YOLOv4
‑
Tiny算法改进设计
[0010]步骤S1，YOLOv4
‑
Tiny是由9个卷积层和6个最大池化层交替组成的前向网络，整体网络结构属于端对端型。将CSPDarknet53网络作为骨干网络。
[0011]步骤S2，在CSPDarknet53网络中添加上采样层.
[0012]步骤S3，首先卷积层进行反卷积操作，然后与特征层相加，最后再进行卷积操作。
[0013]步骤S4，添加一条横线，将最后得尺度归一化。
[0014]步骤二：车让人检测算法设计
[0015]步骤S10：通过摄像头得到当前区域的区域视频，将视频处理为帧信息，将帧中的车道区域进行划分，命名区域ID；
[0016]步骤S20：对视频中的信息进行初步处理，检测出行人信息，使用改进的YOLOv4
‑
Tiny算法识别当前帧中的行人，命名行人ID；
[0017]步骤S30：检测出车辆信息，使用改进的YOLOv4
‑
Tiny识别当前车辆的车牌号码，车辆驾驶员的状态，命名车辆ID；
[0018]步骤S40：检测行人位置，使用KCF跟踪算法，检测出行人并分析行人当前所处的位置，获取行人位置ID。
[0019]步骤S50：检测车辆位置，使用KCF跟踪算法，计算车辆当前所处的位置，获取车辆位置ID。
[0020]步骤S60：将区域ID赋值给车辆和行人，根据前后帧检测区域的行人位置ID和车辆位置ID是否相近判断车辆是否礼让行人。如果礼让，返回步骤1；如果未礼让，跟踪识别车牌并记录车牌，将数据回传至交通管理部门。
[0021]上述技术方案根据区域信息来判别车辆是否礼让行人，很好的解决了摄像头的视角造成的识别率较低甚至识别错误，使得根据获取车辆图像所获得的车辆检测结果的准确率更高，用时使用YOLOv4
‑
Tiny算法，使其识别速度更快，检测系统的延迟更小。上述技术方案在摄像头视角不好的情况下也能够获得准确的视频车辆检测结果，不需要借助其他复杂的道路情况分析设备来分析车辆是否礼让行人，极大提高了车辆是否礼让行人的检测效率，也为后期系统维护提供了方便。
附图说明
[0022]图1为：本专利技术实例提供的车让人检测方法步骤图。
[0023]图2为：YOLOv4
‑
Tiny算法改进流程图。
具体实施方式
[0024]下面结合附图对本专利技术进一步说明。本专利技术实施例提供一种基于YOLOV4算法的车让人检测方法，包括：
[0025]步骤一：YOLOv4
‑
Tiny算法改进设计
[0026]步骤S1在YOLOv4
‑
Tiny中将CSPDarknet53
‑
tiny网络作为骨干网络，在CSPDarknet53
‑
tiny网络中添加上采样层。将添加上采样层与前面卷积层的特征进行融合，提高网络对目标的特征学习。
[0027]步骤S2，首先卷积层进行反卷积操作，然后与特征层相加，最后再进行卷积操作。将13*13大小的卷积层进行两次反卷积操作，然后和前面特征层52*52对应像素相加，再进行步长为2的卷积操作，
[0028]步骤S3，添加一条横线，将最后得尺度归一化。添加一条横向连线(即将上一步卷
积操作后的特征和26*26的特征层进行融合)，最后将最终的特征尺度归一化到13*13大小，进行最后的预测，从而提高检测精度，使得检测得速度更快。
[0029]步骤二：车让人检测算法设计
[0030]步骤S11，通过摄像头获取视频图像，对视频图像进行具体分析，得到其中的关键帧信息。
[0031]步骤S12，对图像帧信息中的车道信息，进行手动划分，命名为1，2，3，
…
，
[0032]步骤S21，检测出行人，使用改进的YOLOv4
‑
Tiny算法检测出图像帧中的行人，命名行人ID。
[0033]具体过程如下；
[0034]使用改进后YOLOv4
‑
Tiny算法，首先将图片resize到448*448大小，然后将图片送入VGG16卷积网络进行特征提取，使用卷积滤波器来预测目标的类别和坐标位置，并为不同的识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4
‑
Tiny算法的车让人检测方法，其特征在于，包括以下部分：步骤一：YOLOv4
‑
Tiny算法改进设计步骤S1在YOLOv4
‑
Tiny中将CSPDarknet53
‑
tiny网络作为骨干网络，在CSPDarknet53
‑
tiny网络中添加上采样层。将添加上采样层与前面卷积层的特征进行融合，提高网络对目标的特征学习。步骤S2，该步骤为该专利的核心步骤之一，首先卷积层进行反卷积操作，然后与特征层相加，最后再进行卷积操作。将13*13大小的卷积层进行两次反卷积操作，然后和前面特征层52*52对应像素相加，再进行步长为2的卷积操作，步骤S3，添加一条横线，将最后得尺度归一化。添加一条横向连线(即将上一步卷积操作后的特征和26*26的特征层进行融合)，最后将最终的特征尺度归一化到13*13大小，进行最后的预测，从而提高检测精度，使得检测得速度更快。步...

【专利技术属性】
技术研发人员：冷庚，钱孝伟，李玉琳，康益铭，谭志昊，李彧，许文波，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：