【技术实现步骤摘要】
基于Faster
‑
RCNN的人数检测系统
[0001]本专利技术涉及Faster
‑
RCNN人数检测
,具体为基于Faster
‑
RCNN的人数检测系统。
技术介绍
[0002]近年来,随着计算机视觉、人工智能以及深度学习等学科的发展,人数统计方法得到了快速的发展。相对于传统的人工统计人数方法,视觉人数统计具有快捷方便的优点。本文基于Faster
‑
RCNN网络提出人数检测系统。
[0003]人数的检测涉及到的内容主要为深度学习目标检测,在深度学习领域中经典的检测方法有单阶段one
‑
stage和两阶段two
‑
stage。单阶段的方法主要为YOLO系列,两阶段的方法有Faster
‑
RCNN系列。yolo系列在检测核心的优势是其速度快,适合做实时的检测任务,但是相对于两阶段的Faster
‑
RCNN系列,检测效果一般不好。而Faster
‑
RCNN系列在检测速度上虽然不及YOLO系列,但其检测效果较好。考虑到在人流量不大的区域,人数的改变并不需要实时监测,因此本文将基于Faster
‑
RCNN构建人数检测系统,减少检测资源的开销,同时提高检测效果,将检测的人数数量准确反馈给用户。
技术实现思路
[0004]本专利技术的目的在于提供了基于Faster
‑
RCNN的人数检测系统,达到减少检测资 ...
【技术保护点】
【技术特征摘要】
1.基于Faster
‑
RCNN的人数检测系统,其特征在于,包括以下步骤:S1、采集人物数据样本,将数据样本制作成数据集;S2、将数据集划分为训练集和测试集;S3、采用训练集训练Faster
‑
RCNN网络;S4、对训练得到的模型进行检测效果评估;S5、将训练得到的模型应用到检测,检测出图像中的人;S6、对图像中检测出的人物进行统计并输出。2.根据权利要求1所述的基于Faster
‑
RCNN的人数检测系统,其特征在于:所述S1中采集人物数据样本,将数据样本制作成数据集步骤具体为1.1:采集人物数据样本,其包含人物各种环境下的站立行走状态。1.2:对样本进行统一处理,高分辨率样本进行统一等比例缩放。1.3:对人物进行标注,将人物位于图像的坐标填写进txt文件中与图像集做成数据集。3.根据权利要求1所述的基于Faster
‑
RCNN的人数检测系统,其特征在于:所述S2中将数据集划分为训练集和测试集,具体为将数据集按照8:2随机划分为训练集和数据集。4.根据权利要求1所述的基于Faster
‑
RCNN的人数检测系统,其特征在于:所述S3中采用训练集训练Faster
‑
RCNN网络步骤具体为:3.1:输入图像,通过卷积网络进行特征提取,得到特征图。3.2:对特征图经过一次3*3卷积集中特征信息,然后进入两个1*1卷积进行Anchor正负样本分类和Anchor偏移位置回归,RPN损失函数由分类损失和回归损失获得,其计算公式如下:t
i
=[t
x
,t
y
,t
w
,t
h
]其中,P
i
表示目标包含在第i个Anchor中的概率。和表示批次大小。L
cls
表示分类损失,L
reg
...
【专利技术属性】
技术研发人员:朱静,林伟照,牛子晗,孙淑颖,杜晓楠,张颂研,梁顺棠,尹邦政,麦钦,
申请(专利权)人:广州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。