一种基于自适应采样的交通协管员到位检测方案制造技术

本发明专利技术涉及交通协管员的检测方法技术领域，尤其是指一种基于自适应采样的交通协管员到位检测方案，对采集到的交通协管员图像数据进行标注，再利用基于自适应采样的RetinaNet检测模型对交通协管员图像的深层语义信息进行学习；利用训练好的模型在测试集上进行推理，预测出交通协管员在图片中的位置，并预测对应位置的置信度，最终根据设置的重叠阈值去除冗余的检测框，完成交通协管员到位检测，本发明专利技术能够实现交通协管员的自动检测，具有较高的准确率和鲁棒性，能够应用于基建现场智能监管系统。管系统。管系统。

A scheme of traffic warden's arrival detection based on adaptive sampling

【技术实现步骤摘要】
一种基于自适应采样的交通协管员到位检测方案


[0001]本专利技术涉及交通协管员的检测方法领域，尤其涉及一种基于自适应采样的交通协管员到位检测方案。

技术介绍

[0002]施工场景下需要大量交通协管员维护秩序，这些人员是否到岗对于施工的顺利开展起到了关键作用。因此，借助视频监控技术和计算机视觉算法对现场交通协管员的到岗情况进行智能监测是自动化监管的大势所趋。然而在复杂现场环境下，常规的计算机视觉算法往往无法对各种人员进行合理区分，无法获得准确快速的人员检测结果。

技术实现思路

[0003]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种基于自适应采样的交通协管员到位检测方案。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：一种基于自适应采样的交通协管员到位检测方案，包括以下步骤：
[0005]S1、采集施工场景交通协管员样本图片，对每一图片制作对应的标签文件；
[0006]S2、以RetinaNet为基础目标检测框架，以ResNet50+FPN为骨干网络，建立深度学习目标检测模型；
[0007]S3、将获得的所有施工场景交通协管员样本图片及其对应的标签随机划分为训练集和测试集；
[0008]S4、利用训练集对上述目标检测模型进行训练，在训练阶段通过自适应采样方法生成训练样本，获得初步训练后的施工场景交通协管员检测模型；
[0009]S5、采用测试集测试初步训练后的施工场景交通协管员检测的性能，根据测试结果调整训练参数与检测置信度阈值，优化并固化交通协管员检测模型参数。
[0010]作为上述技术方案的进一步描述：
[0011]所述步骤S1中样本标签文件符合COCO格式的JSON标签文件标准。
[0012]作为上述技术方案的进一步描述：
[0013]所述施工场景交通协管员样本图片是以施工现场的交通协管员作为目标物，通过监管摄像头正对目标物的左右偏差15度和拍摄距离5
‑
25米范围内采集获得的图片。
[0014]作为上述技术方案的进一步描述：
[0015]所述步骤S2中，深度学习网络模型具体是：输入图片通过预处理后送入骨干网络ResNet50，分阶段提取特征后获得4个不同尺度的特征图，相对原图的大小分别为1/4、1/8、1/16、1/32，用FPN结构对各阶段不同尺度的特征图进行融合，在融合后的特征图上进行检测框的生成，即采用两个可训练的分支分别预测目标的类别和位置，最后通过非极大值抑制方法去除冗余的检测框。
[0016]作为上述技术方案的进一步描述：
[0017]所述步骤S4中，自适应采样方法的主要作用是为每一个真实目标框g选正样本锚点框和负样本锚点框，具体流程如下：
[0018](1)、在每个尺度的特征图上选择与真实目标框g中心距离最近的k个锚点框，形成锚点框集合；
[0019](2)、计算集合中每个锚点框与真实目标框g的交并比；
[0020](3)、计算D
g
的均值m
g
和标准差v
g
，从而得到针对g的IoU阈值t
g
；
[0021][0022][0023]t
g
＝m
g
+v
g
[0024]其中，p是特征金字塔的层数；
[0025](4)、将中数值大于阈值对应的锚点框标记为正样本；
[0026](5)、未被标记为正样本的锚点框均为负样本。
[0027]作为上述技术方案的进一步描述：
[0028]所述训练阶段，正样本和负样本用于计算类别预测的损失函数，而边框预测的损失函数则只使用正样本计算。
[0029]作为上述技术方案的进一步描述：
[0030]所述步骤(1)的中心距离采用欧式距离。
[0031]本专利技术具有如下有益效果：
[0032]1、与现有技术相比，该一种基于自适应采样的交通协管员到位检测方案，相比于以往的交通协管员检测方法，本专利技术方法能够较好区分出交通协管员和其他人员，检测精度较高。
[0033]2、与现有技术相比，该一种基于自适应采样的交通协管员到位检测方案，本专利技术基于RetinaNet目标检测框架，引入特征金字塔网络，实现了图像浅层几何信息与深层语义信息的融合，提升了模型对小目标的检测效果；将RetinaNet通过固定阈值选择正负样本锚点框的操作，优化为基于锚点框统计量(均值和标准差)自适应地选择正负样本，提升了模型对复杂环境下交通协管员的检测效果。
[0034]3、与现有技术相比，该一种基于自适应采样的交通协管员到位检测方案，本专利技术方法在高效的前提下实现了高检测精度，具有较强的抗干扰能力。
附图说明
[0035]图1为本专利技术提出的一种基于自适应采样的交通协管员到位检测方案的流程图；
[0036]图2为本专利技术提出的一种基于自适应采样的交通协管员到位检测方案的整体网络结构图；
[0037]图3为本专利技术提出的一种基于自适应采样的交通协管员到位检测方案的对于交通协管员的检测结果图。
具体实施方式
[0038]参照图1、图2、图3，本专利技术提供的一种基于自适应采样的交通协管员到位检测方案：实施过程如下：
[0039]建立施工现场交通协管员图像库，并对训练集进行人工标注。标注方式满足COCO格式的JSON标签文件标准，包含待检测目标的类别以及真实目标框位置。
[0040]建立深度学习目标检测模型RetinaNet，骨干网络为ResNet50+FPN(特征金字塔网络)，结构如图1所示。具体地，图片通过预处理后送入网络。使用ResNet50分阶段提取特征后，用FPN结构对各个阶段的特征进行融合，在融合后的特征上进行检测框的生成。
[0041]训练阶段需要选择正样本锚点框和负样本锚点框，本专利技术方法采用自适应的方式采用，具体如下：
[0042]1)对于每一个真实目标框g，在每个尺度的特征图上选择与真实目标框g中心距离(采用欧式距离)最近的k个锚点框，形成锚点框集合C
g
；
[0043]2)计算集合C
g
中每个锚点框与真实目标框g的交并比(intersection over union，IoU)D
g
；
[0044]3)计算D
g
的均值m
g
和标准差v
g
，从而得到针对g的IoU阈值t
g
；
[0045][0046][0047]t
g
＝m
g
+v
g
[0048]其中，p是特征金字塔的层数。
[0049]4)将D
g
中数值大于阈值t
g
对应的锚点框标记为正样本。
[0050]5)未被标记为正样本的锚点框均为负样本。
[0051]使用正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应采样的交通协管员到位检测方案，其特征在于：包括以下步骤：S1、采集施工场景交通协管员样本图片，对每一图片制作对应的标签文件；S2、以RetinaNet为基础目标检测框架，以ResNet50+FPN为骨干网络，建立深度学习目标检测模型；S3、将获得的所有施工场景交通协管员样本图片及其对应的标签随机划分为训练集和测试集；S4、利用训练集对上述目标检测模型进行训练，在训练阶段通过自适应采样方法生成训练样本，获得初步训练后的施工场景交通协管员检测模型；S5、采用测试集测试初步训练后的施工场景交通协管员检测的性能，根据测试结果调整训练参数与检测置信度阈值，优化并固化交通协管员检测模型参数。2.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案，其特征在于：所述步骤S1中样本标签文件符合COCO格式的JSON标签文件标准。3.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案，其特征在于：所述施工场景交通协管员样本图片是以施工现场的交通协管员作为目标物，通过监管摄像头正对目标物的左右偏差15度和拍摄距离5
‑
25米范围内采集获得的图片。4.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案，其特征在于：所述步骤S2中，深度学习网络模型具体是：输入图片通过预处理后送入骨干网络ResNet50，分阶段提取特征后获得4个不同尺度的特征图，相对原图的大小分别为1/4、1/...

【专利技术属性】
技术研发人员：许斌斌，付志超，欧嘉俊，李炯，张垚，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：