[发明专利]一种YOLO卷积神经网络的人数检测方法

说明书

本发明公开了一种YOLO卷积神经网络的人数检测方法，通过设置有库文件创建单元、特征提取单元以及人数判断单元，库文件创建单元，用于创建标准库文件，标准库文件包括若干参考卷积特征、网络参数和对应的人数；特征提取单元，用于接收摄像头拍摄的视频帧，并提取视频帧的卷积特征，进而实现人数检测，人数判断单元。该YOLO卷积神经网络的人数检测方法，通过检测图像中行人和行人的分布及其语义计数方法属性，利用图像中行人的语义属性学习方法来辅助行人检测图像中的行人，抑制行人在图像中的语义属性对行人的影响和干扰，提高检测精度，同时，还针对目标图像视频检测场景下的深度学习行人计数方法准确度低的问题。

技术领域

本发明涉及结合优化先验框选择方式的YOLO卷积神经网络与语义信息的人数检测技术领域，具体为一种YOLO卷积神经网络的人数检测方法。

背景技术

目前的行人检测算法中，利用YOLOv3目标图像检测网络中的图像往往存在漏检率较高的问题，考虑到行人在目标图像网络中的行人分布及语义计数属性学习方法上有一定的相关性，且准确度不高，因此需要发明基于优化先验框选择方式的YOLO卷积神经网络的人数检测系统的方法。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种YOLO卷积神经网络的人数检测方法，具备对先验框的选择方式进行优化，在先验框分类选择上更加统筹考虑IOU行人分类之间的置信度等优点，解决了行人检测算法中，利用YOLOv3目标图像检测网络中的图像往往存在漏检率较高的问题，考虑到行人在目标图像网络中的行人分布及语义计数属性学习方法上有一定的相关性，且准确度不高的问题。

（二）技术方案

为实现上述先验框的选择方式进行优化，在先验框分类选择上更加统筹考虑IOU行人分类之间的置信度目的，本发明提供如下技术方案：一种YOLO卷积神经网络的人数检测方法，包括以下步骤：

S1、创建标准库文件

通过已标注行人样本训练的YOLO卷积神经网络的网络参数、参考卷积特征和对应的人数，创建标准库文件。

S2、视频帧输入

在接收到截取摄像头拍摄的视频帧，输入截取的视频帧。

S3、轨迹区分

使用DeepSort对YOLOV3的预测框进行轨迹级联匹配，将连续帧图像中的人用不同的轨迹区分开来。

输入跟踪集合Τ={1,…,N},检测集合D={1,…,M},最大阈值Amax。

矩阵С=[Ci,j]存放所有物体跟踪i与物体检测j之间距离的计算结果 。

矩阵В=[Bi,j]存放所有物体跟踪i与物体检测j之间是否关联的判断(0/1) 。

关联集合М初始化为Ø。

将找不到匹配的物体检测集合初始化为D。

从刚刚匹配成功的跟踪器循环遍历到最多已经有Amax次没有匹配的跟踪器。

选择满足条件的跟踪器集合 Τn ←{i∈Τ|ai=n}。

根据最小成本算法计算出Τn与物体检测j关联成功产生集合 [xi,j] 。

更新М为匹配成功的M∪{(i,j)|bi,j.xi,j0}。

从u中去除已经匹配成功的物体检测j。

循环（3b）到（3f）直到所有视频帧匹配结束。

返回M,u两个集合

S4、统计人数