CN113392754B - 一种基于yolov5行人检测算法减少行人误检测率的方法 - Google Patents
一种基于yolov5行人检测算法减少行人误检测率的方法 Download PDFInfo
- Publication number
- CN113392754B CN113392754B CN202110652249.0A CN202110652249A CN113392754B CN 113392754 B CN113392754 B CN 113392754B CN 202110652249 A CN202110652249 A CN 202110652249A CN 113392754 B CN113392754 B CN 113392754B
- Authority
- CN
- China
- Prior art keywords
- image information
- result
- pedestrian
- detection
- yolov5
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于yolov5行人检测算法减少行人误检测率的方法，包括(1)获取数据，数据包括图像信息、日期信息和时间信息；(2)加载yolov5行人检测的阈值；(3)利用yolov5行人检测算法进行行人检测并获图像信息的所有行人结果；(4)根据组合过滤方法过滤掉不符合要求的结果；(5)根据结果获取对应的结果图像信息，并过滤小于距离阈值的结果图像信息；(6)连续3次检测到行人为有效检测；(7)从结果图像信息中过滤掉上一次报警信息重复的信息；(8)结果图像信息再次检测并过滤，过滤掉后剩余的结果图像信息为有效结果，并对有效结果进行报警，同时更新报警时间和报警结果图像信息。本发明减少了误检告警几率，减轻安防人员的工作量。
Description
技术领域
本发明涉及智能安防领域，特别涉及基于yolov5行人检测算法和二分类算法的基础上采用多种方法组合使用来减少视频流图像中指定区域内行人误检测率的方法。
背景技术
行人检测技术是在输入图片或视频帧中判断是否行人，如果有，那么将行人的位置标注出来。这项技术被广泛应用在智能安防领域。传统安防在不需要人为干预的情况下，系统能自动实现对监控画面中的异常情况进行检测、在有异常时能及时报警。
但现有技术在复杂多变的实际应用场景中，会将树、猫、狗、鸟、灯柱等物体在某些环境下误检为行人，并且误检的概率较高；还经常出现对同一个误检目标进行重复报警，从而降低安防人员对告警的敏感性处理。
发明内容
本发明的目的在于提供一种基于yolov5行人检测算法和二分类算法的基础上采用多种方法组合使用来减少视频流图像中指定区域内行人误检测率的方法，该方法将yolov5行人检测算法与其他多重过滤组合使用，可使行人检测的误检概率明显降低。
为实现上述目的，本发明采用如下技术方案：
一种基于yolov5行人检测算法减少行人误检测率的方法，包括如下步骤：
(1)获取数据，数据包括从视频流实时获取的当前帧的图像信息、以及实时获取的日期信息和时间信息；
(2)根据获取的日期信息和时间信息加载对应的yolov5行人检测的阈值；
(3)利用yolov5行人检测算法对获取的当前帧的图像信息进行行人检测并获图像信息的所有行人结果；
(4)首先利用步骤(2)的yolov5行人检测的阈值过滤掉步骤(3)的所有行人结果中超过阈值的结果，然后根据所有行人结果的尺寸过滤掉尺寸过小的结果，最后与预先设置排出框进行比较，过滤掉与排出框重合率大于排出框阈值的结果；
(5)根据步骤(4)中过滤掉后剩余的结果的位置尺寸信息，从帧图像信息中获取对应的结果图像信息，并将结果图像信息进行预处理；并将预处理后与误报数据库中所有特征数据进行欧式距离计算，并过滤掉小于预先设置距离阈值的结果图像信息；
(6)针对同一视频流设置一个检测结果队列，将过滤掉无效结果的结果图像信息按照时间序列排列到检测结果队列中，当连续3次检测到行人结果则判断为有效检测，否者为无效检测结果；
(7)将步骤(6)判断为有效检测的结果图像信息的时间信息与上一次报警时间进行比较，过滤掉小于预先设定的时间阈值的结果图像信息；以及将结果图像信息与上一次报警结果图像信息比较，过滤重叠率大于报警重叠率阈值的结果图像信息；
(8)针对步骤(7)过滤掉后剩余的结果图像信息采用二分类算法再次检测，过滤掉二分类算法检测结果小于预先设定的二分类阈值的结果图像信息，过滤掉后剩余的结果图像信息为有效结果，并对有效结果进行报警，同时更新报警时间和报警结果图像信息。
进一步地，步骤(4)中过滤掉尺寸过小的结果是指过滤掉尺寸小于20×20像素的结果。
进一步地，步骤(4)中所述排出框阈值为60％。
进一步地，步骤(7)中所述报警重叠率阈值为20％。
进一步地，步骤(7)中预先设定的时间阈值为4小时。
本发明将yolov5行人检测算法和二分类算法的基础上采用多种方法组合使用来减少视频流图像中指定区域内行人误检测率的方法，从而减少在复杂多变的实际应用场景中产生的误检测告警，以及重复的误检测告警，减轻安防人员对误检测告警的处理工作量。
具体实施方式
本实施例提供的一种基于yolov5行人检测算法和二分类算法的基础上采用多种方法组合使用来减少视频流图像中指定区域内行人误检测率的方法，包括如下步骤：
(1)获取数据，数据包括从视频流实时获取的当前帧的图像信息、以及实时获取的日期信息和时间信息，根据获取的日期时间判断当前的季度，根据时间信息判断当前是白天或夜晚；所述当前帧的图像信息可通过视频流的OpenCV接口获取；所述日期信息和时间信息可根据视频流内搭载的日期信息和时间信息或者从搭载本实施例的电脑上获取；
(2)根据获取的日期信息和时间信息加载对应的yolov5行人检测的阈值；春夏秋冬的白天或夜晚对应着不同的yolov5行人检测的阈值，不同的行人检测阈值更能提高行人检测率，减少误检的几率，以达到最佳的检测效果；
(3)利用yolov5行人检测算法对获取的当前帧的图像信息进行行人检测并获图像信息的所有行人结果；所述yolov5行人检测算法是在当前帧的图像信息将行人采用先验框标注出来，先验框标注的图像信息则为所有行人结果，本实施例具体采用yolov5x行人检测算法；
(4)首先利用步骤(2)的yolov5行人检测的阈值过滤掉步骤(3)的所有行人结果中超过阈值的结果，然后根据所有行人结果的尺寸过滤掉尺寸过小的结果，所述尺寸是指长宽小于20×20像素，最后与预先设置排出框进行比较，过滤掉与排出框重合率大于60％的结果；其中过小尺寸的所有行人结果中包含的信息过少，在实际的运用中无法提供太多的有用的价值；所述排出框是通过系统提前设置，比如的视频流处本来存在的广告板上行人、人形立板、灯柱等都可以采用排出框提前标注，可减少误检的几率，虽然真实有效的行人在排出框会被排除，但是行人移动出排出框就会有效的检测，不影响最终结果；
(5)根据步骤(4)中过滤掉后剩余的结果的位置尺寸信息，从帧图像信息中获取对应的结果图像信息，并将结果图像信息进行预处理，所述预处理是将结果图片信息先按照等大的进行缩放处理，然后进行灰度化处理，本实施例最终的结果图片信息的大小为64×64；并将预处理后与误报数据库中所有特征数据进行欧式距离计算，并过滤掉小于预先设置距离阈值的结果图像信息；所述误报数据库是针对环境改变不大的情况下频繁出现的相同的误检测行为时，在首次出现该误检行为将其误检结果的特征数据提取出来加入误报数据库，可排出误报的结果；
(6)针对同一视频流设置一个检测结果队列，将过滤掉无效结果的结果图像信息按照时间序列排列到检测结果队列中，当连续3次检测到行人结果则判断为有效检测，否者为无效检测结果；多数误检测结果的判别值都在设定阀值上下浮动，并不是每一次检测都会在阀值以上，导致误检测，因此采用时间结果序列，达到连续时间3次均检测为行人，才为有效检测，当这3次有一次未检测为有效结果，则放弃无效结果前的检测结果，将其从时间结果序列从移除，再次收集有效结果，直到结果序列长度满足3次判断标准，再开始判断；
(7)将步骤(6)判断为有效检测的结果图像信息的时间信息与上一次报警时间进行比较，过滤掉小于预先设定的时间阈值的结果图像信息，本实施例设定的时间阈值4小时；以及将结果图像信息与上一次报警结果图像信息比较，过滤重叠率大于20％的结果图像信息；以实现过滤重复报警的目的；
(8)针对步骤(7)过滤掉后剩余的结果图像信息采用二分类算法再次检测，过滤掉二分类算法检测结果小于预先设定的二分类阈值的结果图像信息，通过过滤掉得分较低的结果的手段，来达到过滤掉误识别的目的，过滤掉后剩余的结果图像信息为有效结果，并对有效结果进行报警，同时更新报警时间和报警结果图像信息。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于yolov5行人检测算法减少行人误检测率的方法，其特征在于包括如下步骤：
(1)获取数据，数据包括从视频流实时获取的当前帧的图像信息、以及实时获取的日期信息和时间信息；
(2)根据获取的日期信息和时间信息加载对应的yolov5行人检测的阈值；
(3)利用yolov5行人检测算法对获取的当前帧的图像信息进行行人检测并获图像信息的所有行人结果；
(4)首先利用步骤(2)的yolov5行人检测的阈值过滤掉步骤(3)的所有行人结果中超过阈值的结果，然后根据所有行人结果的尺寸过滤掉尺寸过小的结果，最后与预先设置排出框进行比较，过滤掉与排出框重合率大于排出框阈值的结果；
(5)根据步骤(4)中过滤掉后剩余的结果的位置尺寸信息，从帧图像信息中获取对应的结果图像信息，并将结果图像信息进行预处理；并将预处理后与误报数据库中所有特征数据进行欧式距离计算，并过滤掉小于预先设置距离阈值的结果图像信息；
(6)针对同一视频流设置一个检测结果队列，将过滤掉无效结果的结果图像信息按照时间序列排列到检测结果队列中，当连续3次检测到行人结果则判断为有效检测，否者为无效检测结果；
(7)将步骤(6)判断为有效检测的结果图像信息的时间信息与上一次报警时间进行比较，过滤掉小于预先设定的时间阈值的结果图像信息；以及将结果图像信息与上一次报警结果图像信息比较，过滤重叠率大于报警重叠率阈值的结果图像信息；
(8)针对步骤(7)过滤掉后剩余的结果图像信息采用二分类算法再次检测，过滤掉二分类算法检测结果小于预先设定的二分类阈值的结果图像信息，过滤掉后剩余的结果图像信息为有效结果，并对有效结果进行报警，同时更新报警时间和报警结果图像信息。
2.根据权利要求1所述的一种基于yolov5行人检测算法减少行人误检测率的方法，其特征在于：步骤(4)中过滤掉尺寸过小的结果是指过滤掉尺寸小于20×20像素的结果。
3.根据权利要求1所述的一种基于yolov5行人检测算法减少行人误检测率的方法，其特征在于：步骤(4)中所述排出框阈值为60％。
4.根据权利要求1所述的一种基于yolov5行人检测算法减少行人误检测率的方法，其特征在于：步骤(7)中所述报警重叠率阈值为20％。
5.根据权利要求1所述的一种基于yolov5行人检测算法减少行人误检测率的方法，其特征在于：步骤(7)中预先设定的时间阈值为4小时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652249.0A CN113392754B (zh) | 2021-06-11 | 2021-06-11 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652249.0A CN113392754B (zh) | 2021-06-11 | 2021-06-11 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392754A CN113392754A (zh) | 2021-09-14 |
| CN113392754B true CN113392754B (zh) | 2022-06-28 |
Family
ID=77620487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110652249.0A Active CN113392754B (zh) | 2021-06-11 | 2021-06-11 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392754B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920535B (zh) * | 2021-10-12 | 2023-11-17 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5的电子区域检测方法 |
| CN114758485A (zh) * | 2022-04-21 | 2022-07-15 | 成都商汤科技有限公司 | 一种告警信息处理方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985186A (zh) * | 2018-06-27 | 2018-12-11 | 武汉理工大学 | 一种基于改进YOLOv2的无人驾驶中行人检测方法 |
| CN110032916A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 一种检测目标物体的方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102164950B1 (ko) * | 2018-10-26 | 2020-10-13 | 계명대학교 산학협력단 | 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법 및 시스템 |
| CN110443210B (zh) * | 2019-08-08 | 2021-11-26 | 北京百度网讯科技有限公司 | 一种行人跟踪方法、装置以及终端 |
| CN110969115B (zh) * | 2019-11-28 | 2023-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
| CN111695485A (zh) * | 2020-06-08 | 2020-09-22 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种基于yolo和sppe的酒店发小卡片检测方法 |
| CN112528960B (zh) * | 2020-12-29 | 2023-07-14 | 之江实验室 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
| CN112836639A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 |
-
2021
- 2021-06-11 CN CN202110652249.0A patent/CN113392754B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032916A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 一种检测目标物体的方法和装置 |
| CN108985186A (zh) * | 2018-06-27 | 2018-12-11 | 武汉理工大学 | 一种基于改进YOLOv2的无人驾驶中行人检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392754A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113392754B (zh) | 一种基于yolov5行人检测算法减少行人误检测率的方法 | |
| US6985172B1 (en) | Model-based incident detection system with motion classification | |
| CN111161312B (zh) | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 | |
| Jadhav et al. | Smart traffic control system using image processing | |
| CN111523397B (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
| CN111680632A (zh) | 基于深度学习卷积神经网络的烟火检测方法及系统 | |
| CN101571982B (zh) | 一种判断视频监控范围内物品失窃的方法 | |
| CN108010242B (zh) | 一种基于视频识别的安防报警方法、系统及存储介质 | |
| CN112488056B (zh) | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 | |
| CN105260715B (zh) | 面向偏僻地段的小动物目标检测方法 | |
| CN113297926B (zh) | 行为检测识别方法及系统 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
| CN111259718A (zh) | 一种基于高斯混合模型的扶梯滞留检测方法及系统 | |
| CN112800975A (zh) | 一种基于图像处理的安检通道内行为识别方法 | |
| CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
| CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
| CN115035564A (zh) | 基于巡逻车智能摄像机的人脸识别方法、系统及相关组件 | |
| CN112287808B (zh) | 运动轨迹分析告警方法、装置、系统及存储介质 | |
| CN116682162A (zh) | 一种基于实时视频流的机器人人员检测算法 | |
| CN111339970A (zh) | 一种适用于公共环境下的吸烟行为检测方法 | |
| JPH0620049A (ja) | 侵入者識別システム | |
| CN113807224B (zh) | 一种工厂违规行为检测跟踪方法 | |
| CN108960181A (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
| CN112991129B (zh) | 基于人工智能的公共安全事件处理方法及装置 | |
| CN106339666B (zh) | 一种人体目标的夜间监控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |