[发明专利]一种基于改进YOLOv3算法的行人检测系统及方法

说明书

本发明公开了一种基于改进YOLOv3算法的行人检测系统及方法。该系统包括特征提取模块和行人检测模块，特征提取模块使用不同大小的卷积核对输入图像进行特征提取，在卷积过程中设置快捷链路层组成残差模块；行人检测模块用于图像特征融合，使深层特征图与浅层特征图相融合，融合后的特征图再反向融合上一层网络特征图。方法为：对原始的YOLOv3特征提取网络进行裁剪；基于裁剪后的特征提取网络，在YOLO预测层使用不同大小的特征图进行特征融合，使深层特征图与浅层特征图相融合；在网络输出中添加一个YOLO预测层，由4个YOLO预测层对图像中的行人进行分类回归。本发明改善了行人检测的精度和速度，实现了实时行人检测。

技术领域

本发明涉及行人检测或者图像处理技术领域，特别是一种基于改进YOLOv3算法的行人检测系统及方法。

背景技术

随着人工智能领域的快速发展，目标检测技术正也越来越受到更多学者的关注，其中行人检测在许多领域的发展上有很大的帮助作用，例如无人驾驶，人机交互，智能监控识别等领域。对于行人检测已经有很多的实现算法，对比DeepParts(Y.Tian,P.Luo,X.Wang and X.Tang.Deep Learning Strong Parts for Pedestrian Detection[J].IEEEInternational Conference on Computer Vision(ICCV),2015:1904-1912.)提出的行人检测算法，虽然具有检测精度较好、模型拟合能力强的特点，但是训练过程复杂、检测速度慢，不满足实时检测的要求。对比Faster-RCNN(S.Ren,K.He,R.B.Girshick,et al.FasterR-CNN:towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149)提出的深度学习算法在行人方面检测效果，虽然检测精度高，但是检测速度非常慢。

发明内容

本发明的目的在于提供一种能够提高检测速度与精度的基于改进YOLOv3算法的行人检测系统及方法。

实现本发明目的的技术解决方案为：一种基于改进YOLOv3算法的行人检测系统，包括特征提取模块和行人检测模块，其中：

所述特征提取模块，使用不同大小的卷积核对输入图像进行特征提取，在每一次下采样的同时增大卷积通道数以获取更多的特征信息，同时在卷积过程中设置快捷链路层组成残差模块，在每个卷积层中包括正则化和激活操作；

所述行人检测模块，用于图像特征融合，使深层特征图与浅层特征图相融合，融合后的特征图再反向融合上一层网络特征图；在特征融合的基础上构建多尺度预测网络结构，增加一个带有3个anchor的YOLO预测层，由4个YOLO预测层对图像中出现的行人进行分类回归。

一种基于改进YOLOv3算法的行人检测方法，步骤如下：

首先，对原始的YOLOv3特征提取网络进行裁剪，得到裁剪后的特征提取网络；

然后，基于裁剪后的特征提取网络，在YOLO预测层使用不同大小的特征图进行特征融合，使深层特征图与浅层特征图相融合；

最后，在网络输出中添加一个YOLO预测层，由4个YOLO预测层对图像中出现的行人进行分类回归。