[发明专利]一种基于深度学习的图像目标检测方法

说明书

本发明提供一种基于深度学习的目标检测方法，首先通过图像采集设备，获取视频流，然后，实时获取视频流的图像帧，通过视频流的原图像帧训练Attention‑Yolov4，随后将随后使用Attention‑Yolov4检测图像帧中的人员，对监控区域进行行人目标检测，可以针对不同的需求进行行人保护，犯罪追踪等一系列操作。本发明通过在摄像头的实时画面下，解决了传统方法在复杂条件下的低准确率以及实时性不强的问题。

技术领域

本发明设涉及图像处理技术领域，具体涉及一种基于深度学习的行人目标检测方法。

背景技术

行人目标检测方法基于传统的工业摄像头，民用摄像头，以及车载摄像头，能够有效解决人口失踪，人口追踪，保护行人，避免危害等一系列问题。

传统的通过摄像头对区域进行监控的做法，仅仅能在事故发生后一起一定的追查作用，并不能起到预防的作用。

基于上述传统摄像头监控的弊端，若希望在各种复杂条件下保护行人的安全，那么给摄像头集成基于深度学习的行人检测方法，可以很好的保护行人安全。

发明内容

为解决上述问题，本发明提出基于Attention-Yolov4神经网络方法，使得模型可以应对在各种复杂条件下对行人进行检测，同时兼顾准确性与实时性。

为实现上述目的，本申请采用以下技术方案予以实现：

一种基于深度学习的行人检测方法，该方法包括以下步骤：

S1：在各种公共区域内通过图像采集设备，实时获取视频流，并截取成图像帧；

S2：搭建Attention-Yolov4神经网络模型；

S21：原始SE模块是先对特征图进行全局池化，此时，特征图为一维向量，然后经过一个全连接层，将全局池化后的一维特征向量降为1*16，后接一个Sigmoid激活函数，之后接入全连接层，恢复一维特向量与全局池化后的特征图一致，，后接入Relu激活函数改进后的SE注意力机制为，将原始的SE注意力机制中的两个全连接层换为1*1卷积层，用以减少参数，提高神经网络模型的实时性并且可以任意的设置所需要的维度；

S22：将原始Yolov4神经网络模型的CSP的右分支残差结构接入改进后的SE注意力机制，并且将以前的特征图拼接改为特征图叠加，用以提高对person的特征提取；

S23：去除原始Yolov4神经网络模型特征提取模块与SPP模块结间的三层卷积层，用以减少参数，提高神经网络模型的实时性，但为了保证特征提取的充分性，在这里加入特征图归一化与单层卷积；

S24：将原始Yolov4神经网络模型的SPP模块替换为RFB模块，用以更好的进行特征融合。

S25:对双向不对成性特征融合做了改进，将改进后的SE注意力机制加入原始的双向不对成性特征融合分支中，用于提取不同模态下的特征，进而得到特征互补的效果；

S26:在原始Yolov4神经网络模型模块去除了以前的5层卷积，采用了改进后的双向不对成性特征融合，用于对行人检测中的小目标进行检测；

S3：将Attention-Yolov4放入从coco与pascal中提取出来的person数据集进行预训练；

S31：将coco与pascal数据集的person数据集单独提取出来，并进行整合；

S32：通过聚类算法对整合后的person数据集进行聚类，用以生成最适合行人检测的先验框；

S4：将各种公共区域内的原图像输入Attention-Yolov4神经网络模型进行训练；

S41：对公共区域内获取的行人检测数据集进行聚类，生成先验框；