[发明专利]一种人流密集区域行人检测方法及系统

权利要求书

1.一种人流密集区域行人检测方法，其特征在于，包括步骤：

构建目标检测网络YOLOv4，所述目标检测网络YOLOv4包括骨干网络、颈部网络和头部网络；

采集人流密集区域的行人数据，建立行人数据集；

采用骨干网络对所述行人数据集中的行人特征进行学习，并利用注意力机制对所学习到的行人特征进行数据增强，包括：

利用卷积算子对行人特征进行全局平均池化操作，得到聚合后的特征；

计算得到自适应的卷积核大小，利用该卷积核大小进行一维卷积，保持数据特征的维度1×1×C不变；

通过激活函数将得到的数据特征规范到[0,1]的范围内，并与表示原始行人特征的矩阵W×H×C相乘，实现对行人特征权重的重新分配，完成特征增强，其中，W为矩阵的宽度，H为矩阵的高度，C为通道数；

利用导向锚框改进头部网络，自适应调整锚框的大小；

训练改进后的YOLOv4网络，并基于改进后的YOLOv4对行人进行检测。

2.根据权利要求1所述的方法，其特征在于，所述利用导向锚框改进头部网络，自适应调整锚框的大小，包括：

利用导向锚框模块和锚框形状的损失函数，对每个位置预测锚框的形状并计算锚框形状的损失函数，以自适应学习锚框的形状参数。

3.根据权利要求2所述的方法，其特征在于，所述导向锚框模块包括卷积层和可变卷积层。

4.根据权利要求3所述的方法，其特征在于，所述锚框形状的损失函数包括：

其中，为锚框形状的损失函数，是经典损失函数Smooth L1，w和h为预测锚框的宽度和高度，和是基准框的宽度和高度。

5.根据权利要求4所述的方法，其特征在于，所述训练改进后的YOLOv4网络，并基于改进后的YOLOv4对行人进行检测，包括：

使用所述行人数据集对改进后的YOLOv4网络进行训练，以最小化损失函数；

将待检测的图像输入改进的YOLOv4网络中，得到行人的识别结果。

6.一种人流密集区域行人检测系统，其特征在于，包括目标检测网络构建模块、数据集建立模块、数据学习模块、头部网络改进模块、以及检测模块；其中，

所述目标检测网络构建模块，构建目标检测网络YOLOv4，所述目标检测网络YOLOv4包括骨干网络、颈部网络和头部网络；

所述数据集建立模块，采集人流密集区域的行人数据，建立行人数据集；

所述数据学习模块，采用骨干网络对所述行人数据集中的行人特征进行学习，并利用注意力机制对所学习到的行人特征进行数据增强，包括：

利用卷积算子对行人特征进行全局平均池化操作，得到聚合后的特征；

计算得到自适应的卷积核大小，利用该卷积核大小进行一维卷积，保持数据特征的维度1×1×C不变；

通过激活函数将得到的数据特征规范到[0,1]的范围内，并与表示原始行人特征的矩阵W×H×C相乘，实现对行人特征权重的重新分配，完成特征增强；

其中，W为矩阵的宽度，H为矩阵的高度，C为通道数；

所述头部网络改进模块，利用导向锚框改进头部网络，自适应调整锚框的大小；

所述检测模块，训练改进后的YOLOv4网络，并基于改进后的YOLOv4对行人进行检测。

7.根据权利要求6所述的系统，其特征在于，所述头部网络改进模块，利用导向锚框改进头部网络，自适应调整锚框的大小，包括：

利用导向锚框模块和锚框形状的损失函数，对每个位置预测锚框的形状并计算锚框形状的损失函数，以自适应学习锚框的形状参数。

8.根据权利要求7所述的系统，其特征在于，所述锚框形状的损失函数包括：

其中，为锚框形状的损失函数，是经典损失函数Smooth L1，w和h为预测锚框的宽度和高度，和是基准框的宽度和高度。