[发明专利]一种基于轻量化YOLOv3的行人检测方法及系统

说明书

本发明发明公开了一种基于轻量化YOLOv3的行人检测方法，包括：建立针对周界入侵防护应用场景的行人数据集；构建轻量化YOLOv3行人检测网络；划分行人检测训练集，训练轻量化YOLOv3行人检测网络得到轻量化行人检测模型；划分行人检测验证集，验证训练得到的轻量化行人检测模型效果；将轻量化YOLOv3行人检测模型部署到嵌入式前端设备中。本方法采用高精度的轻量化骨干网络替换传统YOLOv3检测网络的骨干网络，大幅降低了行人检测网络的前向运算量和行人检测网络的参数数据量，在保证了行人检测的精度的同时大幅提升了行人检测速度，适用于计算能力较低、存储空间较小的嵌入式设备。

技术领域

本发明涉及目标识别技术领域，具体来说涉及一种基于轻量化YOLOv3的行人检测方法。

背景技术

周界安防系统广泛应用于看守所、监狱、机场、核电厂、油库等建筑场所，用于防范非法入侵。随着社会科技不断进步，要地安防面临的挑战越来越严峻，打造更强大更智能的周界安防系统已经迫在眉睫。传统周界安防系统由封闭围栏和大量监控相机构成，比较容易受到恶劣天气等自然环境因素的影响，存在虚警率过高的问题，用户使用体验不佳。

近年来，随着硬件技术的飞速进步和深度学习技术的跨越式发展，周界安防系统将人工智能技术引入要地防护，利用基于深度学习的目标识别算法对非法入侵目标进行判别，能够精确识别出感兴趣的入侵目标，使得周界安防系统不受光照阴影、雨雪雾、沙尘、树木晃动、小动物等因素干扰，大幅降低了周界安防系统的虚警率。

基于深度学习的目标识别算法普遍存在网络前向运算量巨大和模型参数数据量过大的问题，需要运行在具有强大运算能力的高性能服务器上。由于周界安防系统部署环境复杂，将前端监控相机采集的图像实时传输到后端高性能服务器进行处理存在数据量过大导致的时延、丢包等诸多问题。而将目标识别算法部署于前端嵌入式设备中，将目标识别结果返回到后端进行展示则能有效减轻传输系统的压力。为解决上述问题，需要设计轻量化目标识别算法，降低网络前向运算量，减少模型参数数据量，使其能够使用在计算能力较低同时存储空间受限的嵌入式设备中。

如申请号为CN201910500483.4公开的一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法，该方法建立车辆和车牌数据集，设计并训练轻量化YOLOv3网络。针对YOLOv3网络参数量大、计算时间长的问题，用轻量化网络替换主干网络，重新构建其余卷积层构架，保证检测精度的前提下极大提高了检测速度，有利于目标检测网络迁移至车载嵌入式单元。该发明中设计的轻量化网络大幅降低了YOLOv3原有骨干网络的参数量和运算量，但仍存在进一步降低运算量的空间，通过设计更为高效的轻量化网络，能够进一步提升嵌入式设备中检测算法的运行效率。

发明内容

本发明所要解决的技术问题在于如何在确保行人检测精确度的同时提升行人检测网络在嵌入式设备中的运行速度，提供了一种基于轻量化YOLOv3的行人检测方法。

本发明通过以下技术手段实现解决上述技术问题：

一种基于轻量化YOLOv3的行人检测方法，包括以下步骤：

S1，建立周界安防行人检测数据集；所述数据集包括获取被防护要地场景中的真实行人图像并标注；提取开源数据集中包含的自然场景行人图像并转换其标注信息；搜集与行人图像数量相当的无人图像作为背景图像并为每个背景图像构建空白文件作为标注；

S2，构建轻量化YOLOv3行人检测网络；所述轻量化YOLOv3行人检测网络采用的轻量化骨干网络结构如下：依次包含卷积层conv1，轻量化层3，轻量化层2、轻量化层1，轻量化层2、轻量化层1×2，轻量化层3、轻量化层1×3，轻量化层2、轻量化层1×2，轻量化层2、轻量化层1×2，轻量化层3，卷积层conv2；

S3，划分行人检测训练集，训练轻量化YOLOv3行人检测网络；

S4，划分行人检测验证集，验证轻量化YOLOv3行人检测模型效果；