申请/专利权人：江苏科技大学

申请日：2020-11-25

公开（公告）日：2024-04-23

公开（公告）号：CN112487915B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.03.30#实质审查的生效;2021.03.12#公开

摘要：本发明公开了一种基于EmbeddedYOLO算法的行人检测方法，包括以下步骤：1提取数据集中所有的行人图像数据，将提取到的图像数据随机划分为训练集和测试集；2基于深度卷积网络构建Embedded模块；3用Embedded模块堆叠并结合MobileNet、SPP和YOLO层组成整个EmbeddedYOLO检测网络模型；4利用训练集对EmbeddedYOLO模型的神经网络进行训练，获取最优的检测网络模型；5对测试集中的图片数据进行检测，并对测试集的检测结果进行检测精度、速度和轻量化评价。本发明可用于相机采集的视频的实时行人检测，检测精度、速度和轻量化上均优于现有的TinyYOLOV3、TinyYOLOV4算法。

主权项：1.一种基于EmbeddedYOLO算法的行人检测方法，其特征在于，包括以下步骤：1提取数据集中所有的行人图像数据，将提取到的图像数据随机划分为训练集和测试集；2基于深度卷积网络构建Embedded模块，包括以下子步骤：21将输入Embedded模块的特征图采用1×1卷积层进行通道扩张，扩张为原来的n1倍，n1为偶数，采用LeakyRelu激活函数；22对上步输出的特征图采用3×3的深度卷积进行特征提取，保持通道数和上步一致，采用LeakyRelu激活函数；23对上步输出的特征图采用1×1卷积层进行通道压缩，压缩为上步输出特征图的三分之一，Embedded模块起始输入为上步输出特征图的2倍，采用Linear激活函数；24重复一次21～23步骤，其中，步骤21的扩张倍数改为n2，n2为偶数，各步骤的压缩倍数和激活函数保持不变；25将步骤24和23的输出进行shortcut连接；26对步骤25的输出采用1×1卷积进行通道融合，通道数不变，激活函数采用LeakyRelu；27将上步输出与Embedded模块的输入进行shortcut连接；3用Embedded模块堆叠并结合MobileNet、SPP和YOLO层组成整个EmbeddedYOLO检测网络模型，包括以下子步骤：31将输入图像尺寸归一化处理为352×352×3，采用步长为2的3×3卷积，对于输入图像2倍下采样，得到尺寸为176×176×16的特征图；32堆叠方式为：对于尺寸为176×176的特征图仅采用一个步长为2的MobileNet模块实现2倍下采样同时进行特征提取，得到88×88的特征图；33对于尺寸为88×88的特征图采用步长分别为1和2的MobileNet模块依次实现特征提取和2倍下采样，得到尺寸为44×44特征图；34对于尺寸为44×44特征图依次采用的Embedded模块数量为3、1和1，中间得到的22×22、11×11特征图分别再采用一个步长为2的MobileNet模块进行下采样；35采用SPP模块进行多重感受野融合；4利用训练集对EmbeddedYOLO模型的神经网络进行训练，获取最优的检测网络模型；5利用步骤4获取的模型对测试集中的图片数据进行检测，并对测试集的检测结果进行检测精度、速度和轻量化评价。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种基于Embedded YOLO算法的行人检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD