[发明专利]一种基于边界选择的人流统计的装置和方法

说明书

本发明公开了一种基于边界选择的人流统计的装置和方法，属于深度学习和图像处理领域。本发明通过对YOLO神经网络进行改进，即将YOLO单元的划分从7×7增加到9×9，每个单元的检测数量增加到3，再用SqueezeNet中的Fire模块分别替代YOLO‑PC神经网络中的第16个、第18个和第24个3×3的卷积层，并将Fire模块中的压缩部分的卷积核数量由128减少为96，重新训练网络，即可得到新的S‑YOLO‑PC神经网络，再利用S‑YOLO‑PC神经网络进行边界选择的人流统计，利用新的神经网络，使得其在模型大大缩小的情况下提高了其精确度，能够用于多种场合的人流检测。

技术领域

本发明涉及一种基于边界选择的人流统计的装置和方法，属于深度学习和图像处理领域。

背景技术

在视频监控画面中，行人是非常重要的检测目标，行人检测、人群密度估计和人流统计等工作均是智慧安防、智能楼宇的关键组成部分。视频中多变复杂的背景给如何在监控画面中区分检测行人和其它类别物体以及有效分别行人和其背景提出的难题。这项工作在具体的场景中往往出现检测不准确，计数不准确，检测和计数结果延时较长，深度模型占用存储空间较大，不利于传输和下载等问题。

近年来深度学习技术掀起了人工智能的浪潮，在图像分类和目标检测领域，深度卷积神经网络更是取得了一系列重大的突破，准确率有很大提升。但是，机器人控制、自动驾驶技术这类相关的工作不仅要追求准确率，更重要的是速度，必须依赖低延时的系统。近几年R-CNN、Fast R-CNN和Faster R-CNN这几种方法代表了目标检测最先进的水平，而YOLO(You Only Look Once)是其中实时性性能最好的一种方法。

YOLO是一种先进的实时目标检测算法，其准确率比较高，但在实际的应用环境中还是遇到许多问题，例如占用较大存储空间，在实际应用中不利于进行传输和下载、检测，严重的限制了其实际应用，2017年之后更新的YOLOv2以及之后的YOLOv3版本借鉴了FasterR-CNN的思想，引入anchor的检测机制，致使新的YOLO神经网络无法使用边界选择的方法进行行人计数。

因此，需要寻找一种存储空间小、且实时性较高的人流统计的方法。

SqueezeNet是在利用现有的基于卷积神经网络(Convolutional NeuralNetworks，CNN)模型并以有损的方式压缩的一种小型模型的网络结构。利用少量的参数训练网络模型，实现模型的压缩。它采用Fire Modle模型结构，分为压缩部分和扩展部分，利用压缩部分和扩展部分相连接形成一种Fire模块中组织卷积过滤器。通常的SqueezeNet开始于一个独立的卷积层(conv1)，然后是8个Fire模块，最后是一个最终的转换层(conv10)。

发明内容

为了解决上述问题，本发明提供了一种基于边界选择的人流统计的方法，本发明在YOLOv1神经网络的基础上进行改进，使得其存储空间明显减小，在不影响其准确度的情况下实现较高实时性的人流统计。

本发明的技术方案为：一种基于边界选择的人流统计的方法，所述方法包括以下步骤：

步骤1：设定摄像头的高度和角度使得采集的画面可以覆盖待测定人流的区域，通过摄像头采集人流画面；

步骤2：通过含有GPU的设备设定S-YOLO-PC神经网络的检测置信度；

步骤3：S-YOLO-PC神经网络读取摄像头采集到的图像；

步骤4：通过含有GPU的设备设定S-YOLO-PC神经网络的边界并且检测行人行为；

步骤5：S-YOLO-PC神经网络统计人流信息；

步骤6：通过含有GPU的设备将人流统计的结果信息实时输出到电脑屏幕或摄像头自带的屏幕；