CN111444772A - 基于nvidia tx2的行人检测方法 - Google Patents
基于nvidia tx2的行人检测方法 Download PDFInfo
- Publication number
- CN111444772A CN111444772A CN202010129183.2A CN202010129183A CN111444772A CN 111444772 A CN111444772 A CN 111444772A CN 202010129183 A CN202010129183 A CN 202010129183A CN 111444772 A CN111444772 A CN 111444772A
- Authority
- CN
- China
- Prior art keywords
- network
- pedestrian detection
- pedestrian
- layer
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于NVIDIA TX2的行人检测方法,包括下列步骤:行人数据集的建立;选取YOLOv3‑Tiny网络,进行如下调整:增大网络预设的缩放分辨率,以便于检测小目标;将网络设计为仅使用特定宽高比的anchor,以使得网络更加适应行人的检测;引入MobileNetv2,对于YOLOv3‑Tiny网络中的卷积层在执行卷积操作时,将通道和空间区域分开考虑,将卷积层进行拆分;利用BN层的缩放因子,来衡量通道的重要性,实现通道裁剪,模型减小;将通道裁剪后的模型移植到开发板,并对行人检测过程进行内存优化,采用统一内存寻址方案,使得在CPU填充数据之后,GPU能够直接访问。
Description
技术领域
本发明属于图像处理领域,涉及行人检测方法。
背景技术
目标检测作为计算机视觉领域的一项重要任务,在日常生活的诸多领域发挥着重要的作用。近年来,全球范围内都掀起了深度学习研究的浪潮,尤其是在计算机视觉领域,目标检测也不例外,以深度学习为核心理论的方法占据主导地位,这推动了目标检测方向的发展。与此同时,随着物联网、互联网技术的飞速发展以及ARM芯片性能的日益提升,嵌入式技术也取得了重大突破,在许多领域有着广泛的应用。与大型服务器相比,嵌入式平台具有许多优点,如灵活、便携、性价比高、软件的专业性较强等,因此将基于深度学习的目标检测算法应用于嵌入式平台,有着较好的发展与应用前景。如自动驾驶汽车在行驶过程中对车辆周围复杂行驶环境的感知(如对机动车与行人的识别)、卫星拍摄的影像中对于道路状况的检测等。
目前基于深度学习的行人检测算法对于小目标的检测精度不够高,且由于网络结构复杂,难以满足嵌入式系统的实时性要求,因此本发明基于先进的网络建立快速、高精度的小目标检测机制,并通过自行制作的符合实际条件的大规模行人数据集进行训练实现行人检测。由于基于深度学习的行人检测算法参数量庞大,而嵌入式平台的GPU计算能力较低,因此无法直接将模型移植到开发板,需要经过通道裁剪来减少计算量,提高算法的运行速度。本发明基于NVIDIAJetsonTX2嵌入式开发平台,针对其特性进行数据预处理和程序优化分析,将训练得到的模型进行通道裁剪之后,移植至嵌入式开发板中,最终实现基于TX2的行人检测方法,其在智能搜救等方面具有广阔的应用前景。
发明内容
本发明的目的是提供一种基于嵌入式平台的检测精度高、实时性强的行人检测方法,技术方案如下:
一种基于NVIDIATX2的行人检测方法,包括下列步骤:
第一步:行人数据集的建立。
第二步:选取YOLOv3-Tiny网络,进行如下调整:增大网络预设的缩放分辨率,以便于检测小目标;将网络设计为仅使用特定宽高比的anchor,以使得网络更加适应行人的检测。
第三步:引入MobileNetv2,对于YOLOv3-Tiny网络中的卷积层在执行卷积操作时,将通道和空间区域分开考虑,将卷积层进行拆分。
第四步:利用BN层的缩放因子η,来衡量通道的重要性,通过在训练过程中对缩放因子η添加L1范数的约束,使缩放因子η尽可能趋近于0;设置通道裁剪比例,将BN层的缩放因子η按照数值从小到大排序,在所有η中选取较小数值,将其对应的通道删除,以此实现通道裁剪,模型的体积从而减小。
第五步:将通道裁剪后的模型移植到NVIDIA TX2开发板,并对行人检测过程进行内存优化,采用统一内存寻址方案,使得在CPU填充数据之后,GPU能够直接访问。
本发明运用深度学习方法实现行人检测,通过构建包含不同比例目标(即行人)的数据集提高模型的泛化性,调整网络提高检测精度,并利用通道裁剪的方法,减小模型体积,使行人检测算法能适应于嵌入式平台,并根据嵌入式平台的优势对算法的检测流程进行优化,可保证实时性。
附图说明
图1本发明的基本流程图
图2 YOLOv3-Tiny的网络结构
图3 MobileNetv2示意图
图4内存优化前后执行流程对比图
具体实施方式
本发明基于先进目标检测网络建立快速、高精度的小目标(行人)检测机制,并通过自行制作的符合实际条件的大规模样本库进行神经网络训练。然后面向TX2嵌入式开发平台,针对其特性进行数据预处理和程序优化分析,将训练得到的模型进行通道裁剪之后移植至嵌入式开发板中,最终实现基于TX2的行人检测方法。具体实施方式如下:
第一步:行人数据集的建立。目前使用较多的行人检测数据集中,图片分辨率一般较小,大多低于40万像素,而其中人体所占像素数大多超过3500,不满足小目标样本的需求。因此,为充分学习小目标特征,要求采集比例覆盖0.01%-0.1%的小目标样本,并着重采集比例为0.01%-0.05%的极小目标样本。然后使用LabelImg进行图像标注,需标出图像中目标(即行人)所在的位置,并标明所属类别为行人,最后对标注的信息进行纠错,查看是否有漏标、错标的情况。
第二步::本发明选取的网络为YOLOv3-Tiny,进行如下调整:增大网络预设的缩放分辨率至1024*768(原始网络的输入为416*416,若行人目标较小,则检测精度较低),有助于检测小目标;将网络设计为仅使用特定宽高比的anchor,比例包括1:2、1:4,使网络更加适应行人的检测。
第三步::在网络中引入MobileNetv2。通常网络中一个3*3的卷积层在执行卷积操作时,对应图像区域中的所有通道均被同时考虑,而MobileNetv2的思想就是将通道和空间区域分开考虑,即将3*3的卷积层进行拆分。设3*3的卷积层输入为input,首先对input执行1*1的逐点卷积,将输入的通道数扩大6倍;然后执行3*3的深度卷积,由于1*1的逐点卷积完成之后通道数已经扩大,而深度卷积不改变通道数,因此深度卷积可在一个高维的空间中提取特征;再执行1*1的逐点卷积,可将通道数降低,最后将第二次1*1的逐点卷积的输出与input进行残差连接。
第四步:在服务器中对加入MobileNetv2后的网络进行训练,得到的模型体积较大,无法直接应用于GPU性能较弱的NVIDIA TX2开发板,需要对模型进行通道裁剪,减小模型的体积。本发明利用网络中BN层的缩放因子η,来衡量通道的重要性,BN层可表示为:
其中finput和foutput分别代表BN层的输入和输出,μ和σ2代表一个mini-batch的均值和方差,χ代表BN的偏移量。
通过在训练过程中的损失函数中,对缩放因子η添加L1范数的约束,训练过程的总体损失函数可表示为:
其中第一项代表行人检测的损失函数,x代表输入,W代表权重矩阵,f代表运算,y代表ground truth;第二项引入了BN层的缩放因子η,λ为权衡两项的参数,s采用L1范数。通过训练,使缩放因子η尽可能趋近于0。然后设置通道裁剪比例为80%,将BN层的缩放因子η按照数值从小到大排序,在所有η中选取数值较小的80%,将其对应的通道删除,以此实现通道裁剪,模型的体积从而减小。
第五步:将通道裁剪后的模型移植到NVIDIA TX2开发板,并根据开发板的硬件优势对行人检测过程进行内存优化。通常行人检测过程的源代码是基于独立架构编写的,开始时需要将数据先从CPU拷贝到GPU,再进行运算;而NVIDIATX2开发板属于集成架构,其CPU与GPU可共享物理内存,CPU与GPU之间的数据传输就显得不必要。因此本发明在优化时引入CUDA中的统一内存寻址方案,不使用cudaMalloc函数分配全局内存,取而代之的是使用cudaMallocManaged分配托管内存,CPU填充数据之后,GPU可直接访问,那么就省去了行人检测过程中的数据传输,这样就可以缩短行人检测所需要的时间。
Claims (1)
1.一种基于NVIDIATX2的行人检测方法,包括下列步骤:
第一步:行人数据集的建立;
第二步:选取YOLOv3-Tiny网络,进行如下调整:增大网络预设的缩放分辨率,以便于检测小目标;将网络设计为仅使用特定宽高比的anchor,以使得网络更加适应行人的检测;
第三步:引入MobileNetv2,对于YOLOv3-Tiny网络中的卷积层在执行卷积操作时,将通道和空间区域分开考虑,将卷积层进行拆分;
第四步:利用BN层的缩放因子η,来衡量通道的重要性,通过在训练过程中对缩放因子η添加L1范数的约束,使缩放因子η尽可能趋近于0;设置通道裁剪比例,将BN层的缩放因子η按照数值从小到大排序,在所有η中选取较小数值,将其对应的通道删除,以此实现通道裁剪,模型的体积从而减小;
第五步:将通道裁剪后的模型移植到NVIDIA TX2开发板,并对行人检测过程进行内存优化,采用统一内存寻址方案,使得在CPU填充数据之后,GPU能够直接访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129183.2A CN111444772A (zh) | 2020-02-28 | 2020-02-28 | 基于nvidia tx2的行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129183.2A CN111444772A (zh) | 2020-02-28 | 2020-02-28 | 基于nvidia tx2的行人检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111444772A true CN111444772A (zh) | 2020-07-24 |
Family
ID=71627053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129183.2A Pending CN111444772A (zh) | 2020-02-28 | 2020-02-28 | 基于nvidia tx2的行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444772A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101036A1 (en) * | 2015-12-16 | 2017-06-22 | Intel Corporation | Fully convolutional pyramid networks for pedestrian detection |
CN110110627A (zh) * | 2019-04-24 | 2019-08-09 | 江南大学 | 一种面向计算资源局限平台部署的实时目标检测的方法 |
CN110135580A (zh) * | 2019-04-26 | 2019-08-16 | 华中科技大学 | 一种卷积网络全整型量化方法及其应用方法 |
CN110147834A (zh) * | 2019-05-10 | 2019-08-20 | 上海理工大学 | 基于稀疏化双线性卷积神经网络的细粒度图像分类方法 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
CN110619309A (zh) * | 2019-09-19 | 2019-12-27 | 天津天地基业科技有限公司 | 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法 |
-
2020
- 2020-02-28 CN CN202010129183.2A patent/CN111444772A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101036A1 (en) * | 2015-12-16 | 2017-06-22 | Intel Corporation | Fully convolutional pyramid networks for pedestrian detection |
CN110110627A (zh) * | 2019-04-24 | 2019-08-09 | 江南大学 | 一种面向计算资源局限平台部署的实时目标检测的方法 |
CN110135580A (zh) * | 2019-04-26 | 2019-08-16 | 华中科技大学 | 一种卷积网络全整型量化方法及其应用方法 |
CN110147834A (zh) * | 2019-05-10 | 2019-08-20 | 上海理工大学 | 基于稀疏化双线性卷积神经网络的细粒度图像分类方法 |
CN110619309A (zh) * | 2019-09-19 | 2019-12-27 | 天津天地基业科技有限公司 | 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
Non-Patent Citations (2)
Title |
---|
OLTEAN G, IVANCIU L, BALEA H.等: "Pedestrain detection and behaviour charaterzation for video surveillance systems", 《2019 IEEE 25TH INTERNATIONAL SYMPOSIUM FOR DESIGN AND TECHNOLOGY IN ELECTRONIC PACKAGING (SIITME)》 * |
杨振,郭会明,焦函等: "一种超轻量化实时检测方法", 《2019年全国公共安全通信学术研讨会优秀论文集》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709522B (zh) | 一种基于服务器-嵌入式协同的深度学习目标检测系统 | |
CN111259898B (zh) | 基于无人机航拍图像的农作物分割方法 | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
CN112580512B (zh) | 一种基于通道裁剪的轻量级无人机目标检测方法 | |
CN111027505A (zh) | 一种基于显著性检测的分层多目标跟踪方法 | |
WO2023236319A1 (zh) | 一种面向微控制器的卷积神经网络部署和优化方法 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
CN111444772A (zh) | 基于nvidia tx2的行人检测方法 | |
CN116776208A (zh) | 地震波分类模型的训练方法、地震选波方法、设备及介质 | |
CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN116881996B (zh) | 基于鼠标操作的建模意图预测方法 | |
CN116051699B (zh) | 动捕数据的处理方法、装置、设备及存储介质 | |
CN111832435A (zh) | 基于迁移与弱监督的美丽预测方法、装置及存储介质 | |
CN116630642A (zh) | 一种基于生成对抗网络的红外弱小目标数据集生成方法 | |
CN113627480B (zh) | 一种基于强化学习的极化sar影像分类方法 | |
CN115331126A (zh) | 一种基于Yolov5的小目标检测模型的构建及检测方法 | |
CN114445332A (zh) | 基于faster-rcnn模型的多尺度检测方法 | |
CN114581729A (zh) | 一种基于弱监督学习的高分遥感不透水面提取方法 | |
CN117830324B (zh) | 一种基于多维和全局局部联合的3d医学图像分割方法 | |
CN113947774B (zh) | 一种轻量级的车辆目标检测系统 | |
CN113657453B (zh) | 基于生成对抗网络和深度学习的有害网站的检测方法 | |
CN113341461B (zh) | 地震速度预测方法、装置及服务器 | |
Ginting | Vehicle Detection Simulation using YOLOv4 on Autonomous Vehicle System | |
CN117274723B (zh) | 一种用于输电巡检的目标识别方法、系统、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |