[发明专利]一种人流密集区域行人检测方法及系统

说明书

本发明涉及一种人流密集区域行人检测方法及系统，通过对已构建的YOLOv4标检测网络进行改进，在其中添加注意力机制模块增加行人特征的权重，同时增加导向锚框模块自适应地调整锚框的形状，在保证网络推理速度的情况下提高行人检测的准确率，以解决现有技术中的检测方法速度与准确率不平衡造成的应用困难问题。本发明在YOLOv4网络的基础上进行改进，既保留了YOLOv4网络本身速度快、易学习目标泛化特征的优点，又通过引入注意力机制模块，减少了无效特征信息的干扰，有效提高了复杂环境下行人识别的精度；同时，本发明基于导向锚框方法，自适应地调整锚框的大小，从而生成更符合人体大小的锚框，可以有效提高行人识别的精度。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种人流密集区域行人检测方法及系统。

背景技术

近年来，经济社会的不断发展和城市化的不断推进，使得越来越多的人离开家乡，涌入大城市。人群的高度聚集，使得公共场所对密集区域行人检测的需求日益增加。对于城市轨道交通调度而言，实时对站内行人进行检测可以及时掌握站内客流密度，更好地调配车辆，缓解高峰期客运压力；对于地铁站内安防而言，准确快速地检测密集区域的行人可以有效的了解人群的聚集情况，方便安保调度，防范可能发生的踩踏等安全事故。

目前用于行人检测的方法大致可以分为两类：手工设计模型和深度学习模型。

手工设计模型又称为传统方法。VJ等采用Adaboost和多尺度Haar小波过完备基结合的方式进行行人检测，并利用用积分图来完达到快速特征计算的目的。Dalal等提出了HOG特征用于行人的特征描述，并通过实验证明HOG比基于灰度的特征更富有信息，同时利用线性SVM作为分类器达到速度与效果的平衡。2007年，PedroFelzenszwalb等提出了DPM模型，作为HOG特征检测的变种方法，采用多种额外策略，达到了非深度学习方法中的最优效果。但由于传统方法依赖人工、步骤复杂且准确度与实时性差，慢慢被深度学习模型所取代。

深度学习模型模拟了人脑的视觉感知系统，从原始图片中直接提取特征，特征通过逐层传递，获得图片的高维信息，使得其在计算机视觉领域取得了巨大的成功。行人检测领域的深度学习模型主要分为两类：一类是Two-Stage的方法，如R-CNN，SPP-Net，FasterR-CNN等。其特点是精度高，但其训练时间长、推理速度慢。第二类是One-Stage的方法，如YOLO系列和SSD系列算法。其特点是速度快且易学习物体的泛化特征，但精度低且对小尺度物体检测效果不好。基于这些模型，许多研究人员又进行了进一步的研究。Zhang提出了一种检测失真行人的网络，根据失真程度的不同，可以将视场中的行人视为不同类型的目标。基于更快的R-CNN神经网络，它由一个训练分类器组成。对不同层次的扭曲行人进行分类；Ren使用了快速并行的RCNN和SSD等深度学习技术，成功地对RGB图像中的人进行了检测；在Chen开展的工作中，他们提出了一种深度学习方法，结合了两种模型(卷积神经网络和CNN)来检测行人，这个模型被称为两个并行深度卷积神经网络(TPDCNN)。每个CNN都能够解决一个特定的并行分类任务。然后，将这些模型整合起来，建立一个更健壮的行人检测器。然而，这些行人检测方法多是由基于Two-Stage的技术改进而来，虽然达到了较高的准确度，但其推理速度慢，很难满足实时性的要求，进而阻碍了将其部署到实际的生产生活中。而单纯的One-Stage技术精度低、在低分辨率下对小尺度行人识别效果不好，难以满足实际应用的精度需求。

发明内容

基于现有技术的上述情况，本发明的目的在于提供一种人流密集区域行人检测方法及系统，通过对已构建的速度较快的YOLOv4标检测网络进行改进，并将其用于行人检测，以解决现有技术中的检测方法速度与准确率不平衡造成的实际应用困难的问题。

为达到上述目的，根据本发明的一个方面，提供了一种人流密集区域行人检测方法，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；