[发明专利]一种基于Embedded YOLO算法的行人检测方法

说明书

本发明公开了一种基于Embedded YOLO算法的行人检测方法，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)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。本发明可用于相机采集的视频的实时行人检测，检测精度、速度和轻量化上均优于现有的Tiny YOLOV3、Tiny YOLOV4算法。

技术领域

本发明涉及一种行人检测方法，尤其涉及一种基于Embedded YOLO算法的行人检测方法。

背景技术

行人是草坪环境的重要组成部分，行人检测是农业机械无人作业时环境感知的基础，快速而准确的行人检测是农业机器人实现自主避障、定位导航与农业智能化的前提条件。针对部署在嵌入式设备上行人检测研究具有十分重要的意义。

现有的Tiny YOLOV3算法采用传统的卷积方式和池化层交替堆叠形成特征检测网络，不仅计算量大，而且检测精度低，不适合部署在嵌入式设备。Yi Zhang等人在论文“Animproved tiny-yolov3 pedestrian detection algorithm”中，通过增加传统的3×3卷积层提高了对行人的检测精度，但是增加了模型复杂度和权重文件大小，并未能在提高行人检测精度的同时提高检测速度。现有技术还提出了Tiny YOLOV4算法，将Tiny YOLOV3中的部分传统卷积层替换为分组卷积，部分池化层替换为步长为2的传统3×3卷积，大大提高了检测精度，然而，检测速度和权重文件大小与Tiny YOLOV3相比并无明显优势。

发明内容

发明目的：本发明旨在提供一种检测精度高、检测速度快、具备良好的实时性和轻量化性能的基于Embedded YOLO算法的行人检测方法。

技术方案：本发明的基于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。

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。

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；