[发明专利]基于卷积神经网络的客流检测方法、系统、装置和介质

说明书

本发明公开了一种基于卷积神经网络的客流检测方法、系统、装置和介质，方法包括：获取实时采集的视频数据；根据视频数据，采用YOLOv4‑tiny网络模型进行客流检测，得到客流检测结果；YOLOv4‑tiny网络模型包括输入层、骨干框架、网络层和输出层；骨干框架包括卷积计算模块和ResBlock‑D模块；卷积计算模块用于对视频数据进行初步特征处理；ResBlock‑D模块用于对初步特征处理后的视频数据进行特征提取和计算。本发明通过在骨干框架内设置ResBlock‑D模块，降低视频数据处理过程的复杂度，加快数据处理速度，从而快速地为监控人员提供有效的监控区域的客流量。本发明可应用于目标检测技术领域。

技术领域

本发明涉及目标检测技术领域，尤其是一种基于卷积神经网络的客流检测方法、系统、装置和介质。

背景技术

客流是人们为了实现各类出行活动，借助各种交通工具形成的有目的的流动。随着交通网络的不断发展，客流也随之增加，比如火车站的售票厅，现场办理买票、取票、改签、咨询等业务，会导致客流大幅度增加。随着客流的增加，当发生突发事件时，则非常容易造成人员伤亡和财产损失。因此，对于这些客流较大的场所，人流管控是非常重要的。人流管控的一个重要手段是指定场所内的人数监测。目前对于指定场所的人数检测，一方面通过监控人员对监控视频放大后人为确定人数，这种方式使得监控人员的工作量非常大；另一种方式是采用特定模型进行监测，例如Faster-RCNN，SSD，YOLOv1～v3，这种通过模型进行检测的方式，虽然能够在一定程度上降低监控人员的工作量，但是，由于检测过程的模型在数据处理过程时的处理时间较长，从而无法快速地为监控人员提供有效的监控区域的客流量。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于卷积神经网络的客流检测方法、系统、装置和介质，能够快速地为监控人员提供有效的监控区域的客流量。

第一方面，本发明实施例提供了一种基于卷积神经网络的客流检测方法，包括以下步骤：

获取实时采集的视频数据；

根据所述视频数据，采用YOLOv4-tiny网络模型进行客流检测，得到客流检测结果；

其中，所述YOLOv4-tiny网络模型包括输入层、骨干框架、网络层和输出层，所述输入层、所述骨干框架、所述网络层和所述输出层依次连接；所述骨干框架包括卷积计算模块和ResBlock-D模块；所述卷积计算模块用于对所述视频数据进行初步特征处理；所述ResBlock-D模块用于对初步特征处理后的视频数据进行特征提取和计算。

本发明实施例提供的一种基于卷积神经网络的客流检测方法，具有如下有益效果：

本实施例通过由输入层、包含卷积计算模块和ResBlock-D模块的骨干框架、网络层和输出层组成的YOLOv4-tiny网络模型结合实时采集的视频数据来进行客流检测，以无需监控人员人为地确定监控视频内容的人数，减少监控人员工作量，同时通过在骨干框架内设置ResBlock-D模块，以降低视频数据处理过程的复杂度，加快数据处理速度，从而快速地为监控人员提供实时有效的监控区域的客流量。

可选地，所述骨干框架还包括残差模块，所述残差模块用于辅助所述ResBlock-D模块对初步特征处理后的视频数据进行特征提取和计算。

可选地，所述输入层用于对所述视频数据对应的图像进行角度旋转、色彩调节、大小调整和mosaic数据增强。

可选地，所述网络层包括上采样模块和下采样模块；所述上采样模块用于对所述骨干框架处理后的图像进行采样并自顶向下传输强语义特征；所述下采样模块用于对所述上采样模块处理后的图像进行采样并自底向上传输定位特征。

可选地，在所述采用YOLOv4-tiny网络模型进行客流检测这一步骤之前，还包括对所述YOLOv4-tiny网络模型的训练步骤，所述训练步骤包括：