[发明专利]一种基于改进YOLOv3的人流检测方法

权利要求书

1.一种基于改进YOLOv3的人流检测方法，具体步骤如下，其特征在于：

步骤1，获取实验数据：对不同区域进行划分，通过交通视频监控不同区域的行人和车辆照片；

步骤2，人流监测问题建模：某区域的人流量为进入该区域的人流减去流出该区域的人流，人流分为人流量和车流量两种；

步骤3，区分交通视频监控图像类型：将交通视频监控图像分别划分为三类：车辆、行人和既包含行人又包含车辆，如果一张照片同时包含车辆和行人，可将该照片同时归类于车辆图片和行人图片；

步骤3中区分交通视频监控图像类型具体描述为：

通过kNN算法对测试样本集T_Ri进行分类，所分类别有：行人、车辆和既含有行人又含有车辆；寻找测试样本T_Ri离训练样本集T_Ri最近的k个样本，如果这k个训练样本中的大多数属于某个类别，则该测试样本也属于这个类别，使用欧式距离进行度量：

L(x_i,x_j)是图像样本x_i和图像样本x_j的欧氏距离，是x_i第l维的特征值，是x_j第l维的特征值；

步骤4，改进YOLOv3网络监测目标：改进YOLOv3网络的锚框和感受野机制分别对行人和车辆进行检测；

步骤4中改进YOLOv3网络监测目标具体描述为：

建立两个YOLOv3模型，分别检测行人和车辆，每个模型包含三部分：主干模块、特征融合模块和预测模块；为减小检测框的回归难度，通过K-means得到训练集上的聚类中心，对原始YOLOv3网络的锚框重新设置，并使用下式的距离度量：

d＝1-IOU(b,a)   (2)

其中，b和a分别表示标签和聚类中心框，d表示标签框与聚类中心框的重叠度，d越小，表示标签框与聚类中心框的重叠度越高，使用聚类中心设置所有的YOLO锚框，大分辨率特征图对应的YOLO层使用较小的2个锚框，小分辨率特征图对应的YOLO层使用较大的3个锚框；

在主干模块中加入多感受野机制来学习丰富的特征，提高主干模块的学习能力，为获得不同感受野特征，分别使用卷积核大小为1×1和5×5的CBLP模块与原始的CBLP模块并行连接，CBLP模块和多感受野模块的映射关系表示为下式：

x_CBLP＝H(x_i)                              (3)

x_multi＝H₁(x_i)+H₃(x_i)+H₅(x_i)                      (4)

其中x_CBLP和x_multi分别表示CBLP模块和多感受野模块的输出；H₁(·)、H₃(·)和H₅(·)分别表示卷积核大小分别为：1×1、3×3和5×5的映射；x_i表示输入特征图，使用训练样本集训练YOLOv3网络，得到两个检测行人和车辆的改进YOLOv3网络；

步骤5，求解人流监测模型：将YOLOv3检测的结果回带至人流监测问题，求解人流监测结果。

2.根据权利要求1所述的一种基于改进YOLOv3的人流检测方法，其特征在于：步骤1中对不同区域划分表示为：

对城市的不同区域进行划分，将不同的区域表示为R＝{r₁,r₂,r₃,...,r_n}，分别将各个区域采集到图像建立训练样本集D_Ri和测试样本集T_Ri。