[发明专利]一种基于改进YOLOv3的人流检测方法

说明书

一种基于改进YOLOv3的人流检测方法。该方法包括以下步骤：步骤1，获取人流监测的实验数据；步骤2，对人流监测问题进行建模；步骤3，利用kNN算法先区分交通视频监控图像的类型；步骤4，改进YOLOv3模型的锚框和感受野机制来监测目标；步骤5，求解人流监测模型。本发明在交通监控视频图像的基础上对人流量和车流量进行监测，为了减少模型检测框的回归难度结合K‑means算法改进了YOLOv3模型的锚框，同时为了能提取能反映更深层次的图像特征，在主干模块中加入了感受野机制，提高模型的特征提取能力。

技术领域

本发明涉及人流量监测领域，特别是涉及一种基于改进YOLOv3的人流检测方法。

背景技术

随着城市的快速发展，城市中人流的管理与移动模式挖掘变得越发重要。同时，随着以群智感知为代表的各种感知技术的发展，提出了智慧城市的概念，智慧城市中的大量感知数据为人流的分析提供了可能性。区域人群流量预测对于交通管理和公共安全具有重要的战略意义如果能够提前预测人群的流动情况，相关部门就可以提前预警，启动应急机制，避免事故的发生。智慧城市领域囊括了很多前沿的研宄方向。例如交通路口的速度检测，流量预估等。同时，也有研究人员针对个体的历史轨迹来进行个体未来轨迹的预测。但是如果需要对整个区域的流量进行预测，这些针对个体的研宄方案，不能满足现有的需求。城市路网复杂，个体移动众多，不可能全部监测到，但政府等有关部门对于整个区域的人员流动情况同样很关心。因此提前探知区域流量的变化，能够给有关部门提供指导，更早的采取干预措施，避免危险的发生。

发明内容

为解决上述问题，本发明在YOLOv3算法的基础上，提出了一种基于改进YOLOv3的人流检测方法。为减小检测框的回归难度，本发明通过调整网络的锚框，获得检测目标的先验知识。另外，为了增强所提特征的重要性，在主干块中加入多感受野机制来提取监控图像的高级特征。为达此目的，本发明提供一种基于改进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，可将该图片同时归类于车辆图片和行人图片；

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。

进一步，步骤1中对不同区域划分可以表示为：

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。

进一步，步骤2中人流监测问题建模可以表示为：

将人流监测问题划分为：人流量监测和车流量监测，对某区域r_i的人流量可表示为当行人进入该区域，叠加至该区域该段时间的流量为当行人离开该区域，叠加至该区域该段时间的流量为对某区域r_i的车流量可表示为当车辆驶入该区域，叠加至该区域该段时间的流量为当车辆驶离该区域，叠加至该区域该段时间的流量为

进一步，步骤3中区分交通视频监控图像类型具体描述为：