[发明专利]一种基于YOLO v5的校园图书馆的占座检测方法

权利要求书

1.一种基于YOLO v5的校园图书馆的占座检测方法，其特征在于，采用融合K-means的YOLO 5检测方法，获得更加合理的anchor框算法，提高分类目标检测的准确性，该方法具体实现步骤如下：

步骤S1、从图书馆内摄像头对监控区域的监控视频中获取场景图像，根据深度学习目标检测算法框架YOLO 5检测图像中的桌子和椅子 ；

步骤S2、利用K-means聚类算法获得更加合理的YOLO V5所需要的9个anchor框；

步骤S3、检测到椅子和人后，计算椅子和人的图像之间的重合程度的IOU比值来判定此时椅子上是否有人；

步骤S4、判断此距离是否小于阈值，若小于阈值，则判定此座位上有人，亮起红灯，若无人时，则继续检测书和包；

步骤S5、若没有检测到书和包，则此时判定为无人且该位置可坐，并亮起绿灯；

步骤S6、若检测到书和包，则开始计时，若无人时间超过30分钟，则判定为恶意占座，亮起绿灯。

2.根据权利要求1所述的一种基于YOLO v5的校园图书馆的占座检测方法，其特征在于，在步骤S1中，所述YOLO V5的训练包括以下步骤；

步骤A1、首先构建出包含有桌子、椅子以及学生的数据集，再通过包括仿射变换、旋转的方法扩增数据集，生成足够大且图片质量高的数据集；

步骤A2、搭建YOLO V5框架所需要的神经网络模型，采用pytorch网络框架，激活函数采用Relu激活函数，解决输入值为负值时神经元死亡的问题；

步骤A3、数据的划分为训练集：验证集：测试集=8：1：1，加入Auto Learning BoundingBox Anchors-自适应锚定框，采用 k 均值和遗传学习算法对自定义数据集进行分析，获得适合自定义数据集中对象边界框预测的预设锚定框，并且这种框是基于训练数据自动学习的。

3.根据权利要求2所述的一种基于YOLO v5的校园图书馆的占座检测方法，其特征在于，以Darknet-53为骨干网络，采用3个不同尺度的特征层分别为 13×13、26×26、52×52，YOLO V5首先为每种下采样尺度设定 3 种先验框从而聚类得到9种尺寸的先验框；在整个YOLO V5的结构中，没有池化层和全连接层，网络的下采样是通过设置卷积的stride为3来达到的；在基于现阶段YOLO V5算法识别目标的基础上融合DeepSort算法，并集成prediction heads预测头，应用在无人机拍摄上，最后达到能在高密度场景中准确定位目标并进行持续追踪的技术。