CN113158897A - 一种基于嵌入式YOLOv3算法的行人检测系统 - Google Patents
一种基于嵌入式YOLOv3算法的行人检测系统 Download PDFInfo
- Publication number
- CN113158897A CN113158897A CN202110430480.5A CN202110430480A CN113158897A CN 113158897 A CN113158897 A CN 113158897A CN 202110430480 A CN202110430480 A CN 202110430480A CN 113158897 A CN113158897 A CN 113158897A
- Authority
- CN
- China
- Prior art keywords
- module
- pedestrian
- target
- algorithm
- detection system
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于嵌入式YOLOv3算法的行人检测系统,涉及行人检测技术领域。一种基于嵌入式YOLOv3算法的行人检测系统,包括视频图像采集模块、视频图像处理模块、行人目标检测模块和YOLO数据集训练模块,所述YOLO数据集训练模块包括目标跟踪算法模块,所述目标跟踪算法模块与行人目标检测模块相连接,所述行人目标检测模块包括opencv图像处理和YOLOv3检测系统。本发明的有益效果在于:针对视频监控里视觉运动目标跟踪问题,在opencv基础上完善一套可以进行运动目标跟踪的系统。
Description
技术领域
本发明主要涉及行人检测技术领域,具体一种基于嵌入式YOLOv3算法的行人检测系统。
背景技术
近几年来,目标检测算法取得了很大的突破。比较流行的算法可以分为两类,一类是基于RegionProposal的R-CNN系算法(R-CNN, FastR-CNN,FasterR-CNN等),它们是two-stage的,需要先计算产生目标候选框,也就是目标位置,然后再对候选框做分类与回归。而另一类是Yolo,SSD这类one-stage算法,其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些,但是速度慢,但是第二类算法是速度快,但是准确性要低一些。
发明内容
为解决现有技术的不足,本发明提供了一种基于嵌入式YOLOv3算法的行人检测系统,它针对视频监控里视觉运动目标跟踪问题,在opencv基础上完善一套可以进行运动目标跟踪的系统。
本发明为实现上述目的,通过以下技术方案实现:
一种基于嵌入式YOLOv3算法的行人检测系统,包括视频图像采集模块、视频图像处理模块、行人目标检测模块和YOLO数据集训练模块,所述YOLO 数据集训练模块包括目标跟踪算法模块,所述目标跟踪算法模块与行人目标检测模块相连接,所述行人目标检测模块包括opencv图像处理和YOLOv3检测系统。
所述系统还包括行人数目提示模块,所述行人数目提示模块与行人目标检测模块相连接。
对比现有技术,本发明的有益效果是:
本系统可以进行多目标的追踪,在实时目标追踪过程中,提取目标的表观特征进行最近邻匹配,提高了目标追踪的鲁棒性。
附图说明
附图1是本发明工作原理图。
具体实施方式
结合附图和具体实施例,对本发明作进一步说明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
一种基于嵌入式YOLOv3算法的行人检测系统,包括视频图像采集模块、视频图像处理模块、行人目标检测模块和YOLO数据集训练模块,从输入视频流开始,首先通过目标检测算(YOLOv3)法实现检测,然后基于检测结果标记利用DeepSort实现跟踪,行人目标检测模块(YOLOv3)和目标跟踪算法模块 (DeepSort)相结合。所述行人目标检测模块包括opencv图像处理和YOLOv3 检测系统。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB 等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。关于 OpenCV的好处之一就是它提供了许多内置的用于图像处理和计算机视觉相关操作的基础元素。如果你需要通过scratch写入某些内容,你将不得不定义一些东西,比如图像、点、角度等等,这些几乎是任何计算机视觉算法的基础。OpenCV 提供了这些开箱即用的基础数据结构,它们都包含在core模块中。另外一个好处是,这些数据结构都已经做了优化。
YOLO算法创新性地提出了将输入图片进行N*N的栅格化(每个小单元叫gridcell),然后将图片中某个对象的位置的预测任务交与该对象中心位置所在的gridcell的boudingbox。简单理解的话,这是一种很粗糙的区域推荐 (regionproposal),在训练的时候,通过gridcell的方式告诉模型,图片中对象A 应该是由中心落在特定gridcell的某个范围内的某些像素组成,模型接收到这些信息后就在gridcell周围以一定大小范围去寻找所有满足对象A特征的像素,经过很多次带惩罚的尝试训练后,能够找到准确的范围,当然这个方位不仅是指长宽的大小范围,也包括小幅度的中心位置坐标变化,但是不管怎么变,中心位置不能越过该gridcell的范围。这大大限制了模型在图片中盲目寻找时做的无用功。这样将位置检测和类别识别结合到一个CNN网络中预测,即只需要扫描一遍,图片就能推理出图片中所有对象的位置信息和类别。
作为优化,所述系统还包括行人数目提示模块,所述行人数目提示模块与行人目标检测模块相连接。检测到行人时,用计数的方式进行提示该行人已在追踪范围内,进一步优化了视频内图像处理追踪。
使用方法:
基于YOLOv3的行人检测追踪方法。具体实现步骤如下:
1、训练yolo数据集:在系统内训练自己的数据集,在数据集上增大对人模型的权重,将大于设定阈值的目标标记为person。
2、视频图像采集:使用网络或者有线摄像头,将视频输入到硬盘或服务器。
3、视频图像处理:使用opencv的cv2.VideoCapture将输入的视频进行帧保存,并进行缩放处理。
4、行人目标检测:将(3)处理过的图像传递到网络并进行检测,并将检测到的对象使用矩形框框选。
5、行人目标追踪:将检测到对象的图像人物相应位置处的中心点位置值保存在一个数组里并在之后将每一帧的坐标点相连接,绘制出目标轨迹。
6、行人数目提示:通过上述方法检测到行人时,用计数的方式进行提示该行人已在追踪范围内。
Claims (2)
1.一种基于嵌入式YOLOv3算法的行人检测系统,包括视频图像采集模块、视频图像处理模块、行人目标检测模块和YOLO数据集训练模块,所述YOLO数据集训练模块包括目标跟踪算法模块,所述目标跟踪算法模块与行人目标检测模块相连接,所述行人目标检测模块包括opencv图像处理和YOLOv3检测系统。
2.根据权利要求1所述的一种基于嵌入式YOLOv3算法的行人检测系统,其特征在于:所述系统还包括行人数目提示模块,所述行人数目提示模块与行人目标检测模块相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430480.5A CN113158897A (zh) | 2021-04-21 | 2021-04-21 | 一种基于嵌入式YOLOv3算法的行人检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430480.5A CN113158897A (zh) | 2021-04-21 | 2021-04-21 | 一种基于嵌入式YOLOv3算法的行人检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158897A true CN113158897A (zh) | 2021-07-23 |
Family
ID=76867621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430480.5A Pending CN113158897A (zh) | 2021-04-21 | 2021-04-21 | 一种基于嵌入式YOLOv3算法的行人检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158897A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180106885A1 (en) * | 2016-10-19 | 2018-04-19 | Ants Technology (Hk) Limited | Sensory systems for autonomous devices |
CN108509859A (zh) * | 2018-03-09 | 2018-09-07 | 南京邮电大学 | 一种基于深度神经网络的无重叠区域行人跟踪方法 |
CN109522854A (zh) * | 2018-11-22 | 2019-03-26 | 广州众聚智能科技有限公司 | 一种基于深度学习和多目标跟踪的行人流量统计方法 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
CN110188690A (zh) * | 2019-05-30 | 2019-08-30 | 青岛伴星智能科技有限公司 | 一种基于无人机的智能视觉分析系统、智能视觉分析系统及方法 |
CN110781806A (zh) * | 2019-10-23 | 2020-02-11 | 浙江工业大学 | 一种基于yolo的行人检测追踪方法 |
CN111046787A (zh) * | 2019-12-10 | 2020-04-21 | 华侨大学 | 一种基于改进YOLO v3模型的行人检测方法 |
CN111126152A (zh) * | 2019-11-25 | 2020-05-08 | 国网信通亿力科技有限责任公司 | 一种基于视频的多目标行人检测与跟踪的方法 |
KR20200052429A (ko) * | 2018-10-26 | 2020-05-15 | 계명대학교 산학협력단 | 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법 및 시스템 |
CN111291587A (zh) * | 2018-12-06 | 2020-06-16 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN111611895A (zh) * | 2020-05-15 | 2020-09-01 | 北京联合大学 | 一种基于OpenPose的多视角人体骨架自动标注方法 |
-
2021
- 2021-04-21 CN CN202110430480.5A patent/CN113158897A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180106885A1 (en) * | 2016-10-19 | 2018-04-19 | Ants Technology (Hk) Limited | Sensory systems for autonomous devices |
CN108509859A (zh) * | 2018-03-09 | 2018-09-07 | 南京邮电大学 | 一种基于深度神经网络的无重叠区域行人跟踪方法 |
KR20200052429A (ko) * | 2018-10-26 | 2020-05-15 | 계명대학교 산학협력단 | 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법 및 시스템 |
CN109522854A (zh) * | 2018-11-22 | 2019-03-26 | 广州众聚智能科技有限公司 | 一种基于深度学习和多目标跟踪的行人流量统计方法 |
CN111291587A (zh) * | 2018-12-06 | 2020-06-16 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
CN110188690A (zh) * | 2019-05-30 | 2019-08-30 | 青岛伴星智能科技有限公司 | 一种基于无人机的智能视觉分析系统、智能视觉分析系统及方法 |
CN110781806A (zh) * | 2019-10-23 | 2020-02-11 | 浙江工业大学 | 一种基于yolo的行人检测追踪方法 |
CN111126152A (zh) * | 2019-11-25 | 2020-05-08 | 国网信通亿力科技有限责任公司 | 一种基于视频的多目标行人检测与跟踪的方法 |
CN111046787A (zh) * | 2019-12-10 | 2020-04-21 | 华侨大学 | 一种基于改进YOLO v3模型的行人检测方法 |
CN111611895A (zh) * | 2020-05-15 | 2020-09-01 | 北京联合大学 | 一种基于OpenPose的多视角人体骨架自动标注方法 |
Non-Patent Citations (1)
Title |
---|
沈守娟等: "基于YOLOv3算法的教室学生检测与人数统计方法", 《软件导刊》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171112B (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
US10657388B2 (en) | Robust simultaneous localization and mapping via removal of dynamic traffic participants | |
CN110610510B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
JP6709283B2 (ja) | 低解像度リモートセンシング画像を用いた移動車両の検出及び分析 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN109741369B (zh) | 一种用于机器人跟踪目标行人的方法及系统 | |
Chan et al. | Vehicle detection and tracking under various lighting conditions using a particle filter | |
CN107239778B (zh) | 高效准确的车牌识别方法 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN111552837A (zh) | 基于深度学习的动物视频标签自动生成方法、终端及介质 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
CN113361533A (zh) | 重叠遮挡的目标物的分割识别方法及系统 | |
Meus et al. | Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device | |
Chen et al. | Vehicles detection on expressway via deep learning: Single shot multibox object detector | |
Radiuk et al. | Convolutional neural network for parking slots detection | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
Zhang et al. | Quality-guided lane detection by deeply modeling sophisticated traffic context | |
Bumanis et al. | Multi-object Tracking for Urban and Multilane Traffic: Building Blocks for Real-World Application. | |
CN113158897A (zh) | 一种基于嵌入式YOLOv3算法的行人检测系统 | |
Ha et al. | Improved Optical Flow Estimation In Wrong Way Vehicle Detection. | |
Guo et al. | UDTIRI: An online open-source intelligent road inspection benchmark suite | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
Kim et al. | Development of a real-time automatic passenger counting system using head detection based on deep learning | |
Singh et al. | Radius nearest neighbour based feature classification for occlusion handling |
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 |
Application publication date: 20210723 |
|
RJ01 | Rejection of invention patent application after publication |