[发明专利]基于Faster-RCNN的人数检测系统

说明书

本发明涉及CAE数据技术领域，且公开了基于Faster‑RCNN的人数检测系统，包括S1、采集人物数据样本，将数据样本制作成数据集；S2、将数据集划分为训练集和测试集；S3、采用训练集训练Faster‑RCNN网络；S4、对训练得到的模型进行检测效果评估。本发明通过解决小区域内人数流动性小的人数检测，将检测到的人数反馈给用户，让用户快捷方便获取区域内的人数；将得到的模型进行效果评估，将人物识别训练的模型进行区域内人物检测，将识别模型检测到的人物进行统计，将统计得到的人数反馈给用户，该系统能有效的对人物进行检测并统计，能够准确将区域内的人数反馈给用户，让用户快速便捷知晓区域内的人数并进行相应的工作。

技术领域

本发明涉及Faster-RCNN人数检测技术领域，具体为基于Faster-RCNN的人数检测系统。

背景技术

近年来，随着计算机视觉、人工智能以及深度学习等学科的发展，人数统计方法得到了快速的发展。相对于传统的人工统计人数方法，视觉人数统计具有快捷方便的优点。本文基于Faster-RCNN网络提出人数检测系统。

人数的检测涉及到的内容主要为深度学习目标检测，在深度学习领域中经典的检测方法有单阶段one-stage和两阶段two-stage。单阶段的方法主要为YOLO系列，两阶段的方法有Faster-RCNN系列。yolo系列在检测核心的优势是其速度快，适合做实时的检测任务，但是相对于两阶段的Faster-RCNN系列，检测效果一般不好。而Faster-RCNN系列在检测速度上虽然不及YOLO系列，但其检测效果较好。考虑到在人流量不大的区域，人数的改变并不需要实时监测，因此本文将基于Faster-RCNN构建人数检测系统，减少检测资源的开销，同时提高检测效果，将检测的人数数量准确反馈给用户。

发明内容

本发明的目的在于提供了基于Faster-RCNN的人数检测系统，达到减少检测资源的开销，同时提高检测效果，将检测的人数数量准确反馈给用户。

为实现上述目的，本发明提供如下技术方案：

基于Faster-RCNN的人数检测系统，包括以下步骤：

S1：采集人物数据样本，将数据样本制作成数据集

S2：将数据集划分为训练集和测试集。

S3：采用训练集训练Faster-RCNN网络。

S4：对训练得到的模型进行检测效果评估。

S5：将训练得到的模型应用到检测，检测出图像中的人。

S6：对图像中检测出的人物进行统计并输出。

进一步，所述S1中具体步骤为：

S11：采集人物数据样本，其包含人物各种环境下的站立行走状态。

S12：对样本进行统一处理，高分辨率样本进行统一等比例缩放，S12：

对人物进行标注，将人物位于图像的坐标填写进txt文件中与图像集做成数据集。

进一步的，所述S2中采用的数据集划分按8:2划分为训练集和数据集。

进一步的，所述S3中的具体步骤为：

S31：输入图像，通过卷积网络进行特征提取，得到特征图。

S32：对特征图经过一次3*3卷积集中特征信息，然后进入两个1*1卷积进行Anchor正负样本分类和Anchor偏移位置回归，再进一步的，RPN损失函数由分类损失和回归损失获得，其计算公式如下：