[发明专利]多路负载均衡异步目标检测方法、存储介质及处理器

说明书

本发明提供了一种多路负载均衡异步目标检测方法、存储介质及处理器。其中所述方法包括：S11、dealer监听视频发送模块发送图像帧所占用的端口，得到输入图像；S12、用ZMQ的多路均衡负载和队列共享图像帧，将接收到的图像分发到并发开启的多进程YOLO模块；S13、各个YOLO进程处理分发得到的图像帧，检测得到图像中的目标属性；S14、通过ZMQ的多路均衡负载，以及队列共享检测结果，返回给下游的识别模块。开启多路YOLO进程，通过队列、字典等共享进程信息，可以同时实时处理多路视频输入，通过负载均衡可以充分利用硬件资源，可普遍适用于YOLO监测系统、facenet、tinyface等目标识别中。

技术领域

本发明涉及目标识别技术领域，更为具体地说，涉及一种多路负载均衡异步目标检测方法、存储介质及处理器。

背景技术

目标检测可运用于安防、工业、汽车辅助驾驶等众多领域，比如安防领域中，可以对重点区域进行人数统计以防止拥挤踩踏事件、对敏感区域做异常目标检测以防止区域入侵等；同时目标检测也是目标识别、实例分割、形态分析等视觉技术的上游输入，目标检测效果的好坏直接决定了这些更复杂任务处理结果。

基于计算机视觉的目标检测技术，是给定一张图像，给出对图像前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并且要确定目标的分类和位置；因而目标检测输出的是一个列表，列表的每一项数据组元素给出一个检测目标的分类和位置；对于人类从给定图像中定位、分类目标很容易，但是对于计算机，从多通道像素矩阵中得到“人”、“车”等目标物体的抽象概念并确定其位置，再加上多目标重叠、遮盖等情况，目标检测就更加困难了。

目前目标检测主流是基于深度学习的方法，在速度和精度上达到较好平衡的PUSH/PULL模式的多进程YOLO目标检测方案。

YOLO是端到端模型的开山之作，在速度它以得到目标位置和分类只需要一次处理而得名，相比两阶段方法，实时速度令人映像深刻；YOLO_V3的川练过程如下：

1、准备数据：将图片缩放到规定尺寸，输入到网络；提取特征的网络将会输出3个不同尺度【分别是13*13、26*26、52*52】的特征图，将样本按照IOU【只考虑面积，不考虑位置】匹配到不同的anchor【yolo_v3为每个特征图设定3个anchor，因此总共有9个anchor】；

2、卷积网络：使用Darknet-53来实现提取特征，三个尺度的特征图中每个网格对每个类别预测一个条件概率值，并在每个网格上生成B个box，每个box预测[num_anchors*(5+num_classes+hum_properti es)]个回归值，既是输出不同anchor下的bounding box的x，y，width，height，configure score，classes scores。测试时，分数如下计算：

等式左边第一项由网格预测，后两项由每个box预测，以条件概率的方式得到每个box含有不同类别物体的分数。因而，卷积网络共输出的预测值个数为S×S×(B×5+C)，其中S为网格数，B为每个网格生成box个数，C 为类别数；

YOLO_V3在做前向预测时，输入为任意尺寸的图像，在最终输出 detection时，需要使用NMS(Non-Maximum Suppression，非极大抑制)过滤得到最后的预测框。

使用ZMQ的PUSH/PULL模式时，一个服务端负责PUSH数据，多个客户端排队PULL数据，服务端PUSH的一份数据只会被其中一个客户端拉取，服务端和客户端任一方断掉，都不会影响另一方；

应用到YOLO目标检测系统时，为提高检测的实时性，视频提供模块做服务端，YOLO检测模块做客户端，可以同时开启多个YOLO检测进程，能较快的检测目标。

由此可见，其不足之处有：