[发明专利]基于改进的k-means和损失函数的行人检测方法

摘要

本发明提出了一种基于改进的k‑means和损失函数的行人检测方法，用于对包含行人目标的视频或图像进行分类和识别，主要解决现有技术中聚类结果不准确和预测框不能根据自身尺寸特征学习损失的问题，实现步骤为：构建训练集和测试集；基于改进的k‑means算法对训练集进行聚类；对YOLOv3检测网络的损失函数进行改进；基于改进的损失函数对训练集进行训练；对测试集进行检测。本发明在聚类阶段筛除训练集标注信息中的无效数据，将得到的有效数据进行聚类，从而得到更精确的候选框初始化尺寸，还使不同预测框根据自身尺寸特征学习不同的预测损失，从而得到更准确的行人目标检测网络。

主权项

1.一种基于改进的k‑means和损失函数的行人检测方法，其特征在于，包括如下步骤：(1)构建训练集和测试集：(1a)将采集的任意场景下行人视频中连续或非连续的N帧图像以jpg图片的形式保存到JPEGImages文件夹中，并对各幅图片进行命名，N＞10000；(1b)将JPEGImages文件夹中半数以上的图片作为训练图片集，其余图片作为测试图片集，并将训练图片集中所有图片的名称写入ImageSets/Main文件夹下的trainval.txt文件中，同时将测试图片集中所有图片的名称写入ImageSets/Main文件夹下的test.txt文件中；(1c)对训练图片集和测试图片集中的每幅图片所包含的不同行人进行画框标注，并保存标注框的坐标数据，然后将标注框中所包含的行人目标的类别person以及每幅图片中包含的标注框的坐标数据保存到xml文件中，得到由多个xml文件组成的Annotations文件夹，其中每个xml文件的名称与其对应行人图片的名称相同；(1d)将从Annotations文件夹中选取的与trainval.txt文件中图片名称相同的xml文件作为训练图片集的标注信息集，与test.txt文件中图片名称相同的xml文件作为测试图片集的标注信息集，并将训练图片集的标注信息集写入darknet文件夹下的train.txt文件中，将测试图片集的标注信息集写入darknet文件夹下的test.txt文件中，所述训练图片集和其对应的xml标注信息集构成训练集，测试图片集和其对应的xml标注信息集构成测试集；(2)基于改进的k‑means算法对训练集进行聚类：(2a)对训练集中的标注信息进行筛选：(2a1)将从训练集对应的xml标注文件中提取到的坐标数据写入长度为l的数组data_xml中，将从data_xml中读取的第一组坐标数据作为当前坐标数据，并初始化其在data_xml中的当前索引值q＝0；(2a2)定义data_xml中q对应的坐标数据：将标注框左上角对应的x轴投影坐标定义为x_min，标注框左上角对应的y轴投影坐标定义为y_min，标注框右下角对应的x轴投影坐标定义为x_max，标注框右下角对应的y轴投影坐标定义为y_max；(2a3)计算x_min与x_max的差值x_d，y_min与y_max的差值y_d，并判断x_d和y_d对应的data_xml中的数据是否为有效数据，若x_d＝0或y_d＝0，则x_d和y_d对应的data_xml中的数据为无效数据，删除该无效数据，l＝l‑1，并执行步骤(2a2)；若x_d≠0且y_d≠0，则x_d和y_d对应的data_xml中的数据为有效数据，执行步骤(2a4)；(2a4)计算x_d与y_d的商div，并根据div＞3是否成立判断div对应的data_xml中的数据的有效性，若是，则div对应的data_xml中的数据为无效数据，删除该无效数据，l＝l‑1，并执行步骤(2a5)，否则，则div对应的data_xml中的数据为有效数据，令q＝q+1，并执行步骤(2a5)；(2a5)重复执行步骤(2a2)～(2a4)直到q＝l，得到有效标注信息；(2b)对有效标注信息进行聚类：(2b1)设聚类中心的个数为k，k>0，构建以data_xml的长度l为行数，以k为列数的二维矩阵data_k，data_k的行表示data_xml中保存的有效标注信息，列表示聚类中心的值，并初始化data_k为0，；(2b2)对k个聚类中心分别进行随机初始化；(2b3)计算data_xml中l个有效标注信息与k个聚类中心的距离值，并将每个距离值写入data_k中有效标注信息对应的行和聚类中心对应的列所在的位置；(2b4)将data_k中每一行对应的有效标注信息作为该每一行中最小距离值所在的列对应聚类中心的成员，并将每个聚类中心的数值更新为由该每个聚类中心成员宽和高的均值；(2b5)重复步骤(2b3)和(2b4)，直到k个聚类中心的值不再变化为止，并将k个聚类中心的值作为聚类结果；(3)对YOLOv3检测网络的损失函数进行改进：将YOLOv3检测网络损失函数中的坐标损失函数修改为Loss'_coord：t_i＝2‑w_i×h_i其中，λ_coord表示网络对预测框坐标的权重参数，l.w表示网络在图片宽上划分的尺寸，l.h表示网络在图片高上划分的尺寸，l.n表示网络中预测框的个数，i为对l.w×l.h迭代的变量，j为对l.n迭代的变量，w_i表示预测框的宽，表示标注框的宽，h_i表示预测框的高，表示标注框的高，x_i表示预测框的左上角坐标在x轴的投影，表示x_min，y_i表示预测框的左上角坐标在y轴的投影，表示y_min；(4)基于改进的损失函数对训练集进行训练：(4a)将聚类结果作为YOLOv3网络候选框的尺寸初始化值；(4b)基于YOLOv3网络中改进的损失函数对训练集进行K次迭代训练，K＞10000，得到行人检测网络模型；(5)对测试集进行检测：将待检测的测试集输入到行人检测网络模型中进行检测，得到每个行人目标的位置坐标和置信度。