[发明专利]一种基于改进RFBNet算法的行人检测方法及系统

说明书

本发明公开了一种基于改进RFBNet算法的行人检测方法及系统，包括以下步骤：步骤1：获取当前帧路面实时图像；步骤2：将当前帧路面实时图像输入至训练好的RFB_Nano特征提取网络模型中，并使用TensorRT加速引擎运行训练好的RFB_Nano特征提取网络模型，得到当前帧路面实时图像的检测结果，该检测结果包括行人检测框及行人检测框位置信息；步骤3：判断行人检测框面积占整张单帧路面实时图像面积的比例是否超过阈值，若超过，则发出预警信号，若不超过，则获取下一帧路面实时图像，执行步骤2。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于改进RFBNet算法的行人检测方法及系统。

背景技术

基于视觉的行人检测技术是近年来被重点关注和研究的一项关键技术。在多种传感器中，视觉传感器具有更丰富的信息量、更高的精确性、功能更加丰富以及更合理的成本等优势。因此，基于视觉的行人检测技术是一项研究热点，并且引导着未来的发展趋势，是研究智能驾驶领域的最佳选择之一。

关于行人检测的实际部署问题，因为基于视觉的数据处理通常是图片和视频这种较大的数据，因此将其部署在云端(即移动设备将生成的输入数据传到云端，云端进行处理以后再传回来)，这样的方式不能满足自动驾驶辅助系统中实时性的要求，且容易出现网络信号不稳定等问题，导致行人检测系统有很大的缺陷；因此，随着边缘计算的发展，采取在车辆终端部署边缘设备的方式，能够实现直接在边缘检设备上处理图像数据、推断计算进行检测。

针对SSD(Single Shot MultiBox Detector)算法中对于精度的缺陷，Liu等人提出了RFBNet(Reception Field Block Net)算法，主要是受人类仿生学的启发，验证了感受野的尺寸和偏心率的大小对提高特征鲁棒性的影响。但由于边缘设备的特性所限，内存空间、计算能力、功耗和成本等因素都对行人检测的性能造成影响。目前实现性能较好的目标检测模型，难以直接应用在边缘设备上达到理想的效果，可能存在时延高、帧率低等性能问题。以及对于应用在边缘设备上的目标检测模型的性能，有两个重要的衡量指标：衡量精度指标mAP(mean Average Precision)和衡量速度指标FPS(Frame Per Second)。因此，研究如何能够在精度和速度两方面均衡表现，并且部署在受限制的边缘设备上的行人检测系统是现在研究的热门问题，并且具有深刻的现实意义。

发明内容

发明目的：为解决现有目标检测模型，难以直接应用在边缘设备上，并存在时延高、帧率低等性能问题，本发明提出了一种基于改进RFB算法模型的行人检测方法及系统，在精度可控的情况下，大大减少计算量，达到精确性和实时性的有效平衡。

技术方案：一种基于改进RFBNet算法的行人检测方法，包括以下步骤：

步骤1：获取当前帧路面实时图像；

步骤2：将当前帧路面实时图像输入至训练好的RFB_Nano特征提取网络模型中，并使用TensorRT加速引擎运行训练好的RFB_Nano特征提取网络模型，得到当前帧路面实时图像的检测结果，该检测结果包括行人检测框及行人检测框位置信息；

步骤3：判断行人检测框的面积占当前帧路面实时图像面积的比例是否超过阈值，若超过，则发出预警信号，若不超过，则获取下一帧路面实时图像，执行步骤2。

进一步的，步骤2中，所述的RFB_Nano特征提取网络模型按照以下步骤建立得到：

以VGG16骨架网络模型为特征提取网络的基础，引入RFB模块；

在RFB模块的第一个卷积分支增加一个3*3卷积层；

从第三组卷积层开始，在每组卷积层中的3*3卷积层前增加一层1*1卷积层；

在每一卷积层前插入BN层；