[发明专利]一种基于deepstream的道路车人检测方法

说明书

本发明公开了一种基于deepstream的道路车人检测方法，属于道路车人检测技术领域，所述检测方法以流媒体相机为输入源，获取车人的视频图像，视频信号以rtsp流的形式传输，在视频实时传输到微型计算机后，使用基于gstream的deepstream技术对rtsp流进行实时处理，通过建立管道对视频信号完成解析，再通过在管道上建立的插件，完成对道路、车以及人的检测。本发明方法可以增加识别准确性，使识别过程不再受背景，人物形态的影响。

技术领域

本发明属于道路车人检测技术领域，具体涉及一种基于deepstream的道路车人检测方法。

背景技术

目前，在许多文献中提出了多种关于车辆行人的识别方法，常用的方法有：基于运动特性的方法、基于形状信息的方法、基于车辆行人模型的方法、立体视觉的方法等。虽然目前对于车辆行人的识别技术已经逐渐成熟，但是仍然存在一些弊端，如：

1、行人的多姿态变化问题。行人目标呈现严重的非刚性，同时人可能呈现多种不同的姿态：或行走或静止，或站立或蹲下。而且不同行人之间的衣着外貌各不相同，给识别带来了挑战。

2、检测场景的复杂性问题。在真实检测过程中行人车辆与背景混合，难以分离，且人车之间也会相互影响使得识别与追踪变得相当困难。

3、车辆行人检测系统实时性问题。在实际的应用中，往往对检测系统的反应速度有一定的要求。然而事实并非如此：实际的检测系统往往需要处理较大的数据量，并且算法搭建往往较为复杂。

发明内容

有鉴于此，本发明的目的在于提供一种基于deepstream的道路车人检测方法，可以增加识别准确性，使识别过程不再受背景，人物形态的影响。

为达到上述目的，本发明提供如下技术方案：

本发明一种基于deepstream的道路车人检测方法，所述检测方法以流媒体相机为输入源，获取车人的视频图像，视频信号以rtsp流的形式传输，在视频实时传输到微型计算机后，使用基于gstream的deepstream技术对rtsp流进行实时处理，通过建立管道对视频信号完成解析，再通过在管道上建立的插件，完成对道路、车以及人的检测。

进一步，采用Yolo v4模型技术构建一个目标检测模型，通过采集到关于车辆行人的相关图片进行模型训练，通过GPU来训练一个目标检测器。

进一步，通过验证Bag-of-Freebies和Bag-of-Specials方法在训练期间的影响，所述Bag-of-Freebies通过增加推理成本、改变网络结构，来提高目标检测精度，所述Bag-of-Freebies包括数据增强、网络正则化和损失函数的设计，所述Bag-of-Specials包括增大模型感受野、引入注意力机制、特征集成、激活函数改进和后处理方法改进。

本发明的有益效果在于：

本发明一种基于deepstream的道路车人检测方法，通过采用yolo v4模型技术，可使检测精度在保证一定速度的情况下，高于其他检测方式，降低人车之间的互相影响，且响应速度快。Yolo v4拥有43.5％mAP+65FPS，达到了精度速度最优平衡，构建了一个简单且高效的目标检测模型，该算法降低了训练门槛，这使得普通人员都可以使用GPU来训练一个超快，准确的(super fast and accurate)目标检测器。通过采用该方法，修改了最先进的方法，并且使其更为有效，适合单GPU训练。包括CBN，PAN，SAM等，从而使得Yolo v4能够在一块GPU上就可以训练起来。

本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

具体实施方式