[发明专利]一种基于改进YOLO v3模型的行人检测方法

说明书

本发明提供一种基于改进YOLO v3模型的行人检测方法包括：选取训练样本；对样本进行K‑means值聚类计算，获得新的anchors值，将新的anchors值替换原始YOLO v3模型中的数据集参数；引入inception模块，并将inception模块进行裁剪优化，得到改进后的YOLO v3模型；使用改进后的YOLO v3模型对行人进行检测，得到检测结果；克服原有YOLO v3模型提取的特征过于单一的问题，提高行人检测的精度。

技术领域

本发明涉及一种基于神经网络的行人检测方法，特别是涉及一种基于改进YOLOv3模型的行人检测方法。

背景技术

行人检测是目标检测领域的分支，对于行人检测技术的迫切需求可以从多方面体现，如智慧交通、安防视频监控、自动驾驶技术等。早前由于受到计算机硬件条件的限制，行人检测的形式以图像为主，仅要求检测出图像中是否存在行人。如今，随着微电子技术与计算机技术的飞速发展，对于此项技术不仅要求在简单的背景环境中能够检测到行人，还要求即使外界环境存在较强的干扰因素时也能够准确检测到行人，例如强、弱光环境，遮挡等；同时，对于检测的形式不再局限于图像，要求能够实时检测，并且在检测的基础上还需加入跟踪、行为识别等功能。此外，随着深度学习近年来的迅猛发展，越来越多的深度学习模型开始广泛应用于计算机视觉的各项技术中。例如，从随处可见的车牌识别、行人检测，到高级辅助驾驶的各类相关技术。与传统的行人检测方法相比，基于卷积神经网络的行人检测方法大幅提高了检测精度与速度；但是现有的YOLO v3模型提取的特征过于单一，导致在识别时精准度不高。

发明内容

本发明要解决的技术问题，在于提供一种基于改进YOLO v3模型的行人检测方法，克服原有YOLO v3模型提取的特征过于单一的问题，提高行人检测的精度。

第一方面，本发明提供了一种基于改进YOLO v3模型的行人检测方法，包括：

步骤1、选取训练样本；

步骤2、对样本进行K-means值聚类计算，获得新的anchors值，将新的anchors值替换原始YOLO v3模型中的数据集参数；

步骤3、引入inception模块，并将inception模块进行裁剪优化，得到改进后的YOLO v3模型；

步骤4、使用改进后的YOLO v3模型对行人进行检测，得到检测结果。

2、根据权利要求1所述的一种基于改进YOLO v3模型的行人检测方法，其特征在于：所述步骤1进一步具体为：从公开数据集pascal voc2007和pascalvoc2012数据集中分别提取其中的行人图像，以训练集:测试集为2:1的比例选取训练样本。

进一步地，所述步骤2进一步具体为：

采用非线性映射θ，将样本x_i(i＝1,2,…,l)映射到高维度空间G中,即样本为θ(x₁),θ(x₂),...,θ(x_i)；

在高维度空间进行K-means聚类操作，将函数最优化

其中，样本均值m_k可由下式得出：

在核空间中，计算两个特征点的核距离

其中，N是核函数。

将聚类得到的所有样本子集进行合并，则样本子集的并集中包含了K个目标类别，分别计算其均值

其中，n_i表示该类别的数据量，x_i表示第i类的均值。