[发明专利]一种基于深度学习目标检测的盲人辅助行走方法和系统

权利要求书

1.一种基于深度学习目标检测的盲人辅助行走方法，其特征在于，包括：

获取海量的经过图像多类型标定的图像样本，划分为训练集、开发集和测试集；

构建基于YoLov2的Darknet-19网络模型，使用训练集训练Darknet-19网络模型，得到初步的模型权重文件；

使用开发集对模型权重文件进行分类阈值过滤，将预测值低于阈值的锚框，得到优化后的模型权重文件；

将优化后的模型权重文件读取至融合非最大值抑制算法的ImageAI库中，得到初步的多分类图像目标检测模型；

使用测试集对多分类图像目标检测模型进行验证，若满足收敛条件，则验证通过，得到最终的多分类图像目标检测模型，若不满足收敛条件，则返回训练Darknet-19网络模型的步骤；

获取盲人行走的实时环境图像数据，将实时环境图像数据输入最终的多分类图像目标检测模型进行环境目标识别，将环境目标识别结果以语音播报方式反馈给盲人。

2.根据权利要求1所述的基于深度学习目标检测的盲人辅助行走方法，其特征在于，训练集、开发集和测试集的图像样本比例为8:1:1。

3.根据权利要求1所述的基于深度学习目标检测的盲人辅助行走方法，其特征在于，在Tensorflow深度学习框架下使用训练集训练Darknet-19网络模型，训练过程包括：

对训练集中的图像样本进行图像增强；

对图像样本归一化为416*416大小，对每个图像样本进行减均值处理；

在Tensorflow深度学习框架下建立Darknet-19网络模型，Darknet-19网络模型包括19个卷积层和5个2×2的maxpooling层，19个卷积层包括12个3×3卷积层和7个设置在3×3卷积层之间用于压缩特征图的1×1卷积层，采用global avg pooling做预测。每个卷积层后面连接有batch norm层；

将减均值处理后的图像样本输入Darknet-19网络模型中进行训练。

4.根据权利要求1所述的基于深度学习目标检测的盲人辅助行走方法，其特征在于，收敛条件为均值平均精度大于阈值K。

5.根据权利要求1所述的基于深度学习目标检测的盲人辅助行走方法，其特征在于，阈值K为0.5。

6.一种基于深度学习目标检测的盲人辅助行走系统，其特征在于，包括：

样本单元，用于获取海量的经过图像多类型标定的图像样本，划分为训练集、开发集和测试集；

模型建立单元，用于构建基于YoLov2的Darknet-19网络模型，使用训练集训练Darknet-19网络模型，得到初步的模型权重文件；

模型优化单元，用于使用开发集对模型权重文件进行分类阈值过滤，将预测值低于阈值的锚框，得到优化后的模型权重文件；

融合单元，用于将优化后的模型权重文件读取至融合非最大值抑制算法的ImageAI库中，得到初步的多分类图像目标检测模型；

验证单元，用于使用测试集对多分类图像目标检测模型进行验证，若满足收敛条件，则验证通过，得到最终的多分类图像目标检测模型，若不满足收敛条件，则返回训练Darknet-19网络模型的步骤；

检测单元，用于获取盲人行走的实时环境图像数据，将实时环境图像数据输入最终的多分类图像目标检测模型进行环境目标识别，将环境目标识别结果以语音播报方式反馈给盲人。

7.根据权利要求6所述的基于深度学习目标检测的盲人辅助行走系统，其特征在于，训练集、开发集和测试集的图像样本比例为8:1:1。