一种基于YOLOv5算法的云台自动追踪目标物方法技术

本发明专利技术属于控制系统技术领域，是针对建筑工地场景下工人场地安全需求，设计了一种基于YOLOv5算法的云台自动追踪目标物方法，控制云台自动跟踪目标物。该方法对在工地活动范围内的工人进行跟踪。本发明专利技术采用改进的YOLOv5算法，对建筑工地人员进行目标检测，对检测到的目标通过控制云台转动进行实时跟踪，实现自动跟踪目标物。在现有技术中，监控用摄像头都是固定安装，即便是安装在可控云台上也是按照预定轨迹转动，云台无法追随运动中的目标物体，所以本发明专利技术解决了以上问题，能够对识别到的目标进行自动追踪功能。标进行自动追踪功能。标进行自动追踪功能。

【技术实现步骤摘要】
一种基于YOLOv5算法的云台自动追踪目标物方法


[0001]本专利技术属于控制系统
，具体涉及一种基于YOLOv5算法的云台自动追踪目标物方法。

技术介绍

[0002]建筑工地场景下工人的安全是第一位，为及时发现意外事故、降低风险，实时关注工人动态十分重要。而普通监控用摄像头是固定的，即便是传统云台也只能按照预定轨迹转动，无法追随运动中的目标物体。通过实时观察到工人动态，进一步对工人进行管理，能够全面、及时发现工人的违规行为，以保障人员人身安全。
[0003]近年来，利用计算机视觉智能的监控技术已成为主流发展趋势，并广泛应用于各种施工场景下。在目标检测的基础上，通过云台自动追踪实现对工地人员的实时观察。

技术实现思路

[0004]本专利技术的目的在于设计一种基于YOLOv5算法的云台自动追踪目标物方法，能够准确识别目标并控制云台灵活的自动跟踪目标物。
[0005]本专利技术的技术方案为：本专利技术提供一种基于YOLOv5算法的云台自动追踪目标物方法，获取待检测场所对应的视频流，对于检测到的目标进行实时自动追踪；
[0006]进一步地，首先进行人体目标物识别，通过YOLOv5算法对人体目标物进行权重的训练，对人体目标物进行跟踪识别，获取目标坐标位置后，控制云台向该坐标位置进行转动靠近，直至两者坐标重合；
[0007]进一步地，重新构建YOLOv5的主干网络，利用Senet和GhostNet融合以改进算法的性能；
[0008]进一步地，改进后的模型将步长为1的Ghost Bottleneck模块代替了原有的特征提取层，并且没有影响到特征提取的效果；原模型中的步长为2的普通卷积层也被Ghost Bottleneck模块所替代；SE模块用于通道特征的融合；
[0009]进一步地，利用目标识别结果，在每一帧视频中进行目标识别，获取目标物所在坐标位置(x
’
,y
’
)，与云台摄像头的坐标位置(x0,y0)进行比较；
[0010]进一步地，若目标物所在位置的x轴坐标值小于云台摄像头所在位置的x轴坐标值，则控制摄像头向左转动；若目标物所在位置的x轴坐标值大于等于云台摄像头所在位置的x轴坐标值，则控制摄像头向右转动；
[0011]进一步地，每次云台摄像头是以
‑
0.2向左转动，直至云台摄像头与人体目标物两者的x轴坐标值一致，则结束云台摄像头转动。
[0012]本专利技术在控制系统软件设计方面主要以YOLOv5为开发环境，以Python语言为编程工具，从实时摄像头取得视频流，利用目标检测模型对所述待检测图像进行目标检测处理，得到目标检测结果，在每一帧中进行目标识别，获取目标物所在坐标位置，与云台摄像头的坐标位置进行比较。若目标物所在位置的x轴坐标值小于云台摄像头所在位置的x轴坐标
值，则控制摄像头向左转动；相反，若目标物所在位置的x轴坐标值大于云台摄像头所在位置的x轴坐标值，则控制摄像头向右转动。
[0013]本专利技术与现有技术相比，其显著优点为利用SENet和轻量级的卷积神经网络架构GhostNet，重新构建了YOLOv5的主干网络，利用线性变换减少了模型体积和计算成本，达到快速准确识别目标的效果。
附图说明
[0014]图1云台自动跟踪算法流程图；
[0015]图2BackBone结构图和切片操作示意图；
[0016]图3CBL结构图(左)和残差结构图(右)；
[0017]图4多种情况下IoU计算示意图；
[0018]图5GIoU计算示意图；
[0019]图6YOLOv5四种模型网络结构对比示意图；
[0020]图7YOLOv5四种模型性能对比示意图；
[0021]图8SE模块结构示意图；
[0022]图9Squeeze操作示意图；
[0023]图10Excitation操作示意图；
[0024]图11Ghost模块示意图；
[0025]图12重新构建的YOLOv5主干网络示意图；
[0026]图13镜头成像示意图；
[0027]图14训练过程的终端显示。
具体实施方式
[0028]下面结合附图和表格对本专利技术作进一步详细描述。
[0029]本专利技术提供一种基于YOLOv5算法的云台自动追踪目标物方法，进行人体目标物检测时，首先利用YOLOv5网络中内置的目标检测权重文件，将实时视频流第一帧检测到的结果创建对应的轨迹，获得目标检测框，获取检测到的人体目标物检测框的坐标位置，与云台摄像头的坐标位置进行比较。判断两者坐标的位置差距，当人体目标物的x轴坐标值位于云台摄像头x轴坐标值左边时，对云台x轴坐标值进行修改，以每次改变
‑
0.2来控制云台摄像头向左转动，直至两者的x坐标值一致，则结束该帧云台转动。重复以上步骤，控制云台自动跟踪目标物体。
[0030]总体思路是先进行人体目标物识别，随之用YOLOv5算法其权重的训练，对其进行跟踪识别，获取目标坐标位置后，控制云台向该坐标位置进行转动靠近，直至两者坐标重合。整个跟踪识别过程如图1所示。
[0031]本专利技术提供一种基于YOLOv5算法的云台自动追踪目标物方法，包括以下步骤：
[0032]本专利技术运用的背景环境默认是工地场所，这样的场所存在着环境复杂、光照不均匀等问题，所以对本模块所使用的目标检测模型要求很高，较为传统的目标检测方法很难达到此要求，是故将从现代目标检测算法中寻找最为合适的模型。
[0033]输入图像首先被网络分割成MxM个方块，这些分割出的区域对应到特征图上的每
一个点，所以这样的单元被命名为Cell。每个单元检测一个物体，若目标框的中心没有出现在这个单元中，则此单元不参与检测。每一个参与检测的单元会生成B个目标框，这其中包含了定位、类别、置信度[x,y,w,h,c,class]信息。若数据集有N个类别，则每个单元会输出(5xB+N)xSxS的信息。对于每个单元的B个目标框，选取其中得分最高的参与损失函数LOSS的计算，计算公式如下所示。式中的x、y、w、h是预测目标框和目标真实位置的中心坐标以及尺寸，l
ijobj
可以判断第i个单元内是否有目标框的中心。
[0034][0035]YOLO系列的作者Joseph Redmon在v1时率先提出将目标检测看作端到端的回归问题，充分利用全局信息进行预测，会对图片进行上下文信息分析，检测速度得到极大的提升。在早期版本的YOLO算法中，明确规定一个单元格只负责检测一个目标。但如果在一个单元格内有多个目标的话，就会产生有较为严重的漏检问题，所以对一些小目标的物体检测效果不好。这一问题在YOLO的v2版本进行了改进，作者在v2中加入了WordTree，将检测和分类问题做出统一框架后，还提出了层次联合训练，这些措施在一定程度上降低了漏检的频率。同时利用PassThrough Layer进行特征融合，改善了小目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5算法的云台自动追踪目标物方法，其特征在于：获取待检测场所对应的视频流，对于检测到的目标进行实时自动追踪。2.根据权利要求1所述的一种基于YOLOv5算法的云台自动追踪目标物方法，其特征在于：针对安全现场监督对检测的实时性要求，利用YOLOv5x模型设计云台自动追踪目标方法。3.根据权利要求1所述的一种基于YOLOv5算法的云台自动追踪目标物方法，其特征在于：首先进行人体目标物识别，通过YOLOv5算法对人体目标物进行权重的训练，对人体目标物进行跟踪识别，获取目标坐标位置后，控制云台向该坐标位置进行转动靠近，直至两者坐标重合。4.根据权利要求2所述的一种基于YOLOv5算法的云台自动追踪目标物方法，其特征在于：重新构建YOLOv5的主干网络，利用Senet和GhostNet融合以改进算法的性能。5.据权利要求4所述的一种基于YOLOv5算法的云台自动追踪目标物方法，其特征在于：改进后的模型将步长为1的GhostBottleneck模块代替了原有的特征提取层，并且...

【专利技术属性】
技术研发人员：曹晓冬，王建宇，薄华商，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：