[发明专利]一种基于YOLOv3与SSR的行人检测算法

说明书

本发明公开了一种基于YOLOv3与SSR的行人检测算法，具体步骤如下：首先利用图像采集设备采集到行人的图像，网络自动提取关键帧，将彩色的关键帧进行降维处理转化灰度图像，利用TrAdaBoost生成具有一定迁移学习能力的分类器，对灰度图像的进行分类，若达到预定值，则直接传输到YOLOv3网络中进行行人检测；若未达到预定值，则传输到SSR算法进行图像处理，再传输到YOLOv3算法中进行行人检测，本发明通过使用TrAdaBoost算法对关键帧进行选取分析，生成具有一定迁移学习能力的分类器，使系统整体网络更加智能化。

技术领域

本发明涉及检测技术领域，具体是一种基于YOLOv3与SSR的行人检测算法。

背景技术

行人检测算法的发展可以分为两个阶段：第一个阶段为人工设计行人的空间特征然后进行全局空间的行人检测，通过HOG⁶特征、Hart¹⁴小波特征等来训练分类器进行行人的分类和检测。这些传统的检测算法在当时取得了令人瞩目的效果，其中著名的算法有Hoang等人提出的基于可变尺度梯度特征直方图的行人特征设计方法，并结合支持向量机对行人图像进行分类。Dollar等人将聚合通道特征与HOG特征进行融合，提高了模型在复杂背景环境下的行人检测。虽然这些传统的检测算法实现了行人检测功能，但是人工设计行人的特征难以全面有效的表达行人的信息，并且程序本身运算量大，难以实现实时检测。第二个阶段为基于深度卷积网络的行人检测算法，该类算法使用深度卷积网络提取行人的特征，从而摆脱了人工设计特征的束缚，得到的行人特征有效性和全面性均有所提升。深度卷积网络可以分为三类：第一类算法为基于区域框建议的目标检测算法，如；R-CNN，Fastert R-CNN^3，15，Mask R-CNN⁴等，该类算法检测精度是所有算法中最高的，但是算法计算量大，检测速度缓慢，对硬件要求较高。第二类算法为基于学习搜索的算法，如AttentionNet等，这类算法的检测精度低，且因为需要搜索全局所以检测速度更加缓慢。第三类为基于回归思想的检测算法，如SSD⁵，YOLO^[1-2]等算法。此类算法在一定程度上降低了检测精度，但提高检测速度，使实时检测成为了可能。

但是其精度较低的缺点阻碍了其技术的发展。

发明内容

本发明的目的在于提供一种基于YOLOv3与SSR的行人检测算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于YOLOv3与SSR的行人检测算法，具体步骤如下：首先利用图像采集设备采集到行人的图像，网络自动提取关键帧，将彩色的关键帧进行降维处理转化灰度图像，利用TrAdaBoost生成具有一定迁移学习能力的分类器，对灰度图像的进行分类，若达到预定值，则直接传输到YOLOv3网络中进行行人检测；若未达到预定值，则传输到SSR算法进行图像处理，再传输到YOLOv3算法中进行行人检测。

作为本发明的进一步技术方案：YOLOv3网络是经过改进后的YOLOv3算法，改进步骤如下：A、增加算法检测尺度；B、目标框维度聚类；C、改变损失函数。

作为本发明的进一步技术方案：所述YOLOv3算法使用的检测网络为DarkNet-53网络，并使用3种不同比例的特征图融合，包括一个下采样特征图，尺度大小为13×13，两个上采样特征图，尺度大小分别为26×26，52×52。

作为本发明的进一步技术方案：步骤B具体是：选用在COCO数据集中的高宽比大于2的先验框，然后采用K-means聚类重新分析行人数据集，从而得到了适合室内行人的最优anchor个数和高宽比。