[发明专利]智能监控环境下基于改进yolov3的实时行人检测方法及装置

权利要求书

1.一种智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，包括以下步骤：

获取监控场景下的行人图像，对图像中的行人目标进行标注，将图像按一定比例随机划分为训练集、测试集和验证集；

对训练集、测试集和验证集的图像进行预处理；

利用训练集对改进后的yolov3算法进行训练，所述改进后的yolov3算法为在原始yolov3算法的基础上对特征提取网络、特征融合层、预测层进行改进后的算法；

通过测试集和验证集来选取改进后yolov3算法的最优模型，并将其用于监控视频下的行人检测。

2.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述对训练集、测试集和验证集的图像进行预处理具体包括：

对图像进行水平翻转，颜色、亮度、对比度随机变换，色温变换，随机裁剪的数据扩增操作。

3.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述在原始yolov3算法的基础上对特征提取网络进行改进具体包括：

采用EfficentNet-B0特征提取网络替换原始yolov3算法的DarkNet53网络。

4.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述在原始yolov3算法的基础上对特征融合层进行改进具体包括：

将原始yolov3算法的特征融合层卷积系列中的1x1、3x3、1x1、3x3、1x1卷积层减少为1x1、3x3、1x1卷积层。

5.如权利要求4所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述在原始yolov3算法的基础上对特征融合层进行改进还包括：

将原始yolov3算法的特征融合层的3x3普通卷积改进为压缩卷积。

6.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述对训练集、测试集和验证集的图像进行预处理具体包括：

根据图像的实际长宽比，将原始输入图像的长和宽分别调整到32像素的整数倍，并将网络输入图像尺寸由方形输入调整为固定的矩形输入的形式。

7.如权利要求6所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述在原始yolov3算法的基础上对预测层进行改进具体包括：

改进后的yolov3算法对于矩形图像输入，1/8、1/16、1/32三种尺度预测层中特征图w和h方向的像素数分别为W和H，将三种尺度预测层的输出大小分别改进为W_S x H_S x 3x(1+4+N)、W_M x H_M x 3x(1+4+N)、W_L x H_L x 3x(1+4+N)。

8.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述利用训练集对改进后的yolov3算法进行训练具体包括：

采用不同训练策略及优化参数多次训练，得到多个模型文件。

9.如权利要求1所述的智能监控环境下基于改进yolov3的实时行人检测方法，其特征在于，所述通过测试集和验证集来选取改进后yolov3算法的最优模型具体包括：

在测试集测试单次训练过程中不同训练阶段保存的模型的map指标中，选择map指标最高的模型文件进行保存；

在验证集上测试保存的不同参数下模型的map指标，取map指标最高的模型作为最优模型。

10.一种智能监控环境下基于改进yolov3的实时行人检测装置，其特征在于，包括：

图像标注划分模块，用于获取监控场景下的行人图像，对图像中的行人目标进行标注，将图像按一定比例随机划分为训练集、测试集和验证集；

图像预处理模块，用于对训练集、测试集和验证集的图像进行预处理；

改进yolov3算法训练模块，用于利用训练集对改进后的yolov3算法进行训练，所述改进后的yolov3算法为在原始yolov3算法的基础上对特征提取网络、特征融合层、预测层进行改进后的算法；

模型选取模块，用于通过测试集和验证集来选取改进后yolov3算法的最优模型，并将其用于监控视频下的行人检测。