一种基于改进的YOLOv3网络的人数识别统计方法及系统技术方案

本发明专利技术公开了一种基于改进的YOLOv3网络的人数识别统计方法及系统，所述人数识别统计方法包括：采集人物图像，对人物图像进行标注生成数据集，将数据集分为训练集和测试集；对训练集进行聚类分析，确定目标锚值；将YOLOv3网络模型中的主干特征提取网络Darknet53改进为CSPDarknet53，加入空间金字塔池化SPP模块，生成YOLOv3目标检测优化模型；将经过聚类分析后的训练集输入到YOLOv3目标检测优化模型中进行训练，生成人数识别统计模型，并通过测试集对人数识别统计模型进行测试。本发明专利技术通过对YOLOv3网络模型的改进，提高了检测的准确性和实时性。实时性。实时性。

【技术实现步骤摘要】
一种基于改进的YOLOv3网络的人数识别统计方法及系统


[0001]本专利技术属于图像识别领域，尤其涉及一种基于改进的YOLOv3网络的人数识别统计方法及系统。

技术介绍

[0002]人数识别统计在早期主要是以人工检测为主，这种人工目检的方式效率低且检测速度慢，劳动强度大，检测准确性和实时性比较差。近几十年来，随着机器视觉领域的发展，利用机器学习算法很好的克服了人工目测的缺点，机器视觉的快速检测技术得到了越来越多人的青睐，例如一些研究者将模板匹配算法应用在人数识别统计。
[0003]随着机器学习的发展，各种用于人数识别统计的算法也相继被提出，特别是近几年来深度学习的崛起，卷积神经网络在图像识别方向取得了很大的成功，由其衍生的目标检测算法广泛应用于缺陷检测领域，例如YOLOv3系列算法以及以Faster
‑
RCNN为代表的检测算法，使缺陷检测的实时性和准确性得到进一步的提高。
[0004]目前CNN(Convolutional Neural Networks)已经广泛应用于机器学习、语音识别、图像识别等多个领域。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv3网络的人数识别统计方法，其特征在于，包括如下步骤：采集人物图像，对所述人物图像进行标注生成数据集，将所述数据集分为训练集和测试集；对所述训练集进行聚类分析，确定目标锚值；将YOLOv3网络模型中的主干特征提取网络Darknet53改进为CSPDarknet53，加入空间金字塔池化SPP模块，生成YOLOv3目标检测优化模型；将经过聚类分析后的所述训练集输入到所述YOLOv3目标检测优化模型中进行训练，生成人数识别统计模型，并通过所述测试集对所述人数识别统计模型进行测试。2.根据权利要求1所述的基于改进的YOLOv3网络的人数识别统计方法，其特征在于，所述对所述人物图像进行标注生成数据集，包括：对所述人物图像中的人物和人数进行标注生成数据集。3.根据权利要求1所述的基于改进的YOLOv3网络的人数识别统计方法，其特征在于，所述将所述数据集分为训练集和测试集，包括：所述训练集和测试集的选取比例为2∶1。4.根据权利要求1所述的基于改进的YOLOv3网络的人数识别统计方法，其特征在于，所述对所述训练集进行聚类分析，确定目标锚值，包括：利用k
‑
mean++算法对所述训练集进行聚类分析，选取初始聚类中心，计算IoU和度量值d，确定目标锚值。5.根据权利要求1所述的基于改进的YOLOv3网络的人数识别统计方法，其特征在于，所述将YOLOv3网络模型中的主干特征提取网络Darknet53改进为CSP Darknet53，包括：对所述主干特征提取网络Darknet53的resblock_body的结构进行修改，改进为CSPDarknet53。6.根据权利要求1所述的基于改进的YOLOv3网络的人数识别统计方法，其特征在于，所述将经过聚类分析后的所述训练集输入到所述YOLOv3目标检测模型中进行训练，包括如下步骤：将所述训练集中的人物图像归一化到416
×
416，输入到所述YOLOv3目标检测优化模型中；将所述人物图像输入到CSPDarknet53中进行下采样，经过卷积和残差块的堆叠进行特征提取，对最后一层的特征层进行四种不同尺度的最大池化处理，再对深层信息进行上采样，通过concat函数将深层信息与较浅层信息不断堆叠和拼接实现特征融合；在特征融合过后得到四个尺度的特征图，分别为13
×
13，26
×
26，52
×
52，104
×
104；根据四个尺度的特征图可以得到预测框位...

【专利技术属性】
技术研发人员：薛阳，王翔，何文，许恒，
申请(专利权)人：上海申视信科技有限公司，
类型：发明
国别省市：