[发明专利]基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法

说明书

本发明公开了一种基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法，该行人检测方法采用轻量化YOLO v5网络，将原版YOLO v5模型的Foucs层替换为卷积层以及将主干网络中的卷积替换为通道随机混合的分组卷积来轻量化模型，并利用时空记忆机制对网络检测结果进行修正，减少误识别，利用修正的检测结果进行行人位置检测，降低了模型的误识别率且减少了模型的硬件开销并提高了处理速度。采用本发明行人检测方法在数据集测试结果为：误识别率从7％降低至1％，处理速度从56FPS提升到74FPS。

技术领域

本发明属于深度学习目标检测技术领域，具体为基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法。

背景技术

疫情期间紧张的人员配置以及人眼识别可能存在的偏差使得人员极易懈怠而产生疏忽和失误。

高校封闭式管理模式下采用监控室全天候值守维护校园安全存在以下问题：(1)监控画面多：大多数校区围墙的边界长达数公里，多达几十个摄像头和监控屏。(2)工作人员易出错：校园围墙发生违纪行为本就属于小概率事件，人对于小概率事件的不发生抱有侥幸心理。工作人员更加容易懈怠、疏忽和产生视觉疲劳发生漏判。(3)校方成本高：监控室安保人员薪资低，无法吸引就业人员。但对于校方来讲成本过高，因为实行八小时工作制需要雇佣三倍的就业人员和三倍的支出。(4)现有的检测方法误识别率较高且硬件开销大。

因此针对高校围墙边界进行智能监控是迫切之需，在此情况下，开发一种减少行人误识别和提高鲁棒性的轻量化方法和智能监控方法，有利于实现了校园疫情防控的智能处理和快速响应，更好的维护校园安全。

发明内容

针对现有技术存在的不足，本发明提供了基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法。该检测方法基于YOLO v5深度网络模型，在原模型的基础上设计了一种时空记忆机制并构建轻量化YOLOv5模型，从而减少行人检测的误识别和提高系统鲁棒性。并对模型采用通道洗牌和剪枝模型方法进行轻量化，加快模型的处理速度，更适合多路视频的处理和模型的部署。

本发明解决所述技术问题的技术方案是：设计基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法，该方法包括如下步骤：

第一步：构建训练数据库

1)采集监测地点不同场景的图像，图像采集的场景包括晴天、阴天、雨天和夜晚；根据行人距离摄像头的远近将采集到的图像中的人物目标划分为不同尺寸，其中面积小于32*32像素为小尺寸目标，在32*32像素至96*96像素之间为中尺寸目标，大于96*96像素为大尺寸目标；按以上三种人物目标尺寸 1:1:1的数量比挑选出图像，并对挑选出的图像进行数据增强，最后进行图像尺寸统一化操作，获得原始数据集；

2)数据集划分：对步骤1)中得到的原始数据集采用人工的方式添加标签，用矩形框分别标记出图像中的人物目标和围墙，并且按一定数量比例随机将原始数据集中的图像划分训练集和验证集；

第二步：构建轻量化YOLO v5网络模型

1)训练集的预处理：对第一步的步骤2)中得到的训练集进行数据增强；

2)搭建轻量化YOLO v5网络模型