[发明专利]一种基于Embedded YOLO算法的行人检测方法

权利要求书

1.一种基于Embedded YOLO算法的行人检测方法，其特征在于，包括以下步骤：

(1)提取数据集中所有的行人图像数据，将提取到的图像数据随机划分为训练集和测试集；

(2)基于深度卷积网络构建Embedded模块；

(3)用Embedded模块堆叠并结合MobileNet、SPP和YOLO层组成整个Embedded YOLO检测网络模型；

(4)利用训练集对Embedded YOLO模型的神经网络进行训练，获取最优的检测网络模型；

(5)利用步骤(4)获取的模型对测试集中的图片数据进行检测，并对测试集的检测结果进行检测精度、速度和轻量化评价。

2.根据权利要求1所述的基于Embedded YOLO算法的行人检测方法，其特征在于，所述步骤(1)中具体包括以下步骤：

(11)提取数据集中所有的person类别的图像数据，至少4000份图像或视频文件；

(12)按照8:2的比例划分为训练集和测试集。

3.根据权利要求1所述的基于Embedded算法的行人检测方法，其特征在于，所述步骤(2)中构建Embedded模块具体包括以下步骤：

(21)将输入Embedded模块的特征图采用1×1卷积层进行通道扩张，扩张为原来的n₁倍，n₁为偶数，采用LeakyRelu激活函数；

(22)对上步输出的特征图采用3×3的深度卷积进行特征提取，保持通道数和上步一致，采用LeakyRelu激活函数；

(23)对上步输出的特征图采用1×1卷积层进行通道压缩，压缩为上步输出特征图的三分之一，Embedded模块起始输入为上步输出特征图的2倍，采用Linear激活函数；

(24)重复一次(21)～(23)步骤，其中，步骤(21)的扩张倍数改为n₂，n₂为偶数，各步骤的压缩倍数和激活函数保持不变；

(25)将步骤(24)和(23)的输出进行shortcut连接；

(26)对步骤(25)的输出采用1×1卷积进行通道融合，通道数不变，激活函数采用LeakyRelu；

(27)将上步输出与Embedded模块的输入进行shortcut连接。

4.根据权利要求3所述的基于Embedded算法的行人检测方法，其特征在于，所述步骤(3)中具体包括以下步骤：

(31)将输入图像尺寸归一化处理为352×352×3，采用步长为2的3×3卷积，对于输入图像2倍下采样，得到尺寸为176×176×16的特征图；

(32)堆叠方式为：对于尺寸为176×176的特征图仅采用一个步长为2的MobileNet模块实现2倍下采样同时进行特征提取，得到88×88的特征图；

(33)对于尺寸为88×88的特征图采用步长分别为1和2的MobileNet模块依次实现特征提取和2倍下采样，得到尺寸为44×44特征图；

(34)对于尺寸为44×44特征图依次采用的Embedded模块数量为3、1和1，中间得到的22×22、11×11特征图分别再采用一个步长为2的MobileNet模块进行下采样；

(35)采用SPP模块进行多重感受野融合。

5.根据权利要求1所述的基于Embedded YOLO算法的行人检测方法，其特征在于，所述步骤(4)中具体包括以下步骤：

(41)设置初始参数，包括图片输入尺寸、动量参数、权重衰减正则项参数、图片角度变化参数、饱和度与曝光变化参数、色调变化参数、初始学习率、训练总轮数；

(42)使用kmeans++算法在训练集上聚类出锚定框尺寸；

(43)损失函数采用CIOU指标，设置参与损失计算的IOU阈值。