[发明专利]一种基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法

权利要求书

1.一种基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，其特征在于，所述基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法实施在运动机器人上，所述运动机器人包括图像采集模块、运动模块、语音模块和主控模块，所述主控模块运行存储的计算机程序实现所述基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，所述基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，包括：

步骤1、控制所述图像采集模块获取视野内的深度图像数据；

步骤2、将所获取的深度图像数据输入YOLOV3网络进行目标检测，得到YOLOV3网络输出的标注有目标框的位置以及每个目标框对应的类别的图像，其中目标框的类别为佩戴安全帽或未佩戴安全帽；

步骤3、将YOLOV3网络输出的图像初始化为kcf跟踪算法的输入图像，kcf跟踪算法订阅了深度话题和图像话题，若输入图像不存在未佩戴安全帽的目标，则kcf跟踪算法不进行跟踪；若输入图像存在未佩戴安全帽的目标，则kcf跟踪算法选取深度信息最小的目标框进行跟踪；

步骤4、根据所选取的目标框的深度信息下发运动指令至所述运动模块，控制运动机器人运动至所选取的距离最近的目标，并通过语音模块发出相应的语音提醒；

其中，YOLOV3网络的候选框的大小的生成过程如下：

1)随机选取一个box作为初始anchor；

2)遍历所有的box分别与初始anchor进行IOU计算；

3)选取与初始anchor的IOU最小的box为新的初始anchor；

4)重复步骤2)和3)直到选出k个box作为初始anchor；

5)使用IOU度量，将每个box分配给与其距离最近的anchor，得到k个簇；

6)计算每个簇中所有box的宽和高的均值，以宽和高的均值更新anchor；

7)重复步骤5)和6)，直到k个anchor的宽和高均不再变化，或者达到了最大迭代次数，将最终的k个anchor作为目标的候选框。

2.如权利要求1所述的基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，其特征在于，所述YOLOV3网络具有尺度为104*104和52*52的两个预测层。

3.如权利要求2所述的基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，其特征在于，每个预测层具有两个候选框。

4.如权利要求1所述的基于YOLOV3网络和kcf跟踪算法的安全帽检测跟踪方法，其特征在于，所述YOLOV3网络的训练，包括：

1)获取安全帽数据集，并用labelImg软件对其进行标注，标注的内容为hat和person来表示佩戴安全帽和未佩戴安全帽；

2)将标注后的安全帽数据集分为训练集和测试集；

3)使用训练集训练所述YOLOV3网络，训练过程当loss处于振荡时，修改YOLOV3网络的网络参数，使得loss继续下降；

4)训练过程中获得多个权重文件，在训练结束后用测试集检测每个权重文件，选出平均准确率最高的一个权重文件用来做安全帽佩戴检测。