[发明专利]一种移动机器人在复杂背景下的人数统计方法

说明书

本发明提供一种移动机器人在复杂背景下的人数统计方法，通过深度学习技术对移动机器人上采集到的可见光图像做初步检测，再通过红外摄像头采集得到的红外图像对初步的检测结果做进一步的结果过滤，完成移动机器人在复杂背景下的人数统计问题，解决了现有技术方案检测精度不高、误检现象严重，无法满足监狱等特殊场景对检测结果要求严格的问题。

技术领域

本发明涉及移动机器人技术领域，具体而言，涉及一种移动机器人在复杂背景下的人数统计方法。

背景技术

目前，现有的在复杂背景下的人数检测方法大多存在速度慢、准确度低、可靠性差的问题，导致在一些对准确率、误检率要求较为严格的场景完全不适用。在申请号为CN109359577A的发明专利中，介绍了“一种基于机器学习的复杂背景下人数检测系统”，它基于红外图像，从红外图像视频流中做多尺度通道特征叠加，使用机器学习算法中的Adaboost算法训练，实现对人数的检测。然而，红外图像本身信息有限，再加上分类所使用的通道特征全靠人工选择，这从数据信息来源上就限制了此类算法的准确度，在加上诸如灯源、光滑反射物等会给红外图像带来极大干扰，从而限制了其适用场景。随着深度学习技术的发展，计算机视觉方向取得了极大的进步，在人脸检测、行人检测等视觉任务上大大提高了基于传统图像处理或机器学习算法的方法的精度。例如，2018年，张等人就关注了遮挡问题下的行人检测，在论文《Occlusion-aware R-CNN:Detecting Pedestrians in aCrowd》中结合了身体部件的思想，把人体分成5个部分逐一处理，再做特征融合，并调整损失函数设计任务目标，基于二阶段的目标检测方法Faster RCNN实现在复杂背景下的行人检测。复杂背景下的一直是目标检测人物的难点，然而基于深度学习的方法通常需要大量图像训练模型，当图像分辨率不高、目标较小时，往往伴随着严重过拟合现象，出现误检现象。在监狱人数检查等特殊场景下，通常需要较高的召回率，即较低的误检率。在光线不足、人员遮挡等条件下，如果把灯、衣服错误检测成了人，这是不能接受的。所以亟需提供一种方案以便于提高移动机器人在复杂背景下的人员检测与统计的准确性和可靠性。

发明内容

本发明的目的在于提供一种移动机器人在复杂背景下的人数统计方法，用以实现提高移动机器人在复杂背景下的人员检测与统计的准确性和可靠性的技术效果。

本发明提供了一种移动机器人在复杂背景下的人数统计方法，包括如下步骤：

步骤S1、获取移动移动机器人拍摄的第一可见光图像，对所述第一可见光图像进行标注，构建在具体环境下的人员检测数据集，并将所述人员检测数据集划分为训练集、验证集和测试集；其中，标注时的标注部位为人员的头部；

步骤S2、以darknet-53网络作为特征提取骨架网络，使用一阶段方法YOLO v3的目标检测框架构建检测模型并微调，具体为调整激活函数和损失函数的微调，其中激活函数为Mish函数表达式如下：

Mish(x)＝x·tanh(log(1+ex))

损失函数为focal loss函数，表达式为：

式中，y是检测框真实标签，p为预测值，α为正负样本平衡参数，γ为难易样本平衡参数；

步骤S3、对所述训练集进行数据增强处理，然后送入所述检测模型进行训练；

步骤S4、使用迁移学习法加载预训练网络权值，再使用数据增强处理后的所述训练集对所述检测模型进行训练，并通过所述验证集进行验证，获取平均误差精度均值满足要求的所述检测模型；

步骤S5、获取移动机器人运行时拍摄的第二可见光图像和红外图像，对所述第二可见光图像和所述红外图像进行投影对齐处理；

步骤S6、获取设置的检测超参数，并通过训练好的所述检测模型对所述第二可见光图像进行人员检测，得到初步的检测框集合；