【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于圖像行人檢測，具體涉及一種基于改進yolov5s輕量化模型的密集行人檢測方法。
技術(shù)介紹
1、行人檢測作為目標(biāo)檢測領(lǐng)域內(nèi)的重要研究內(nèi)容，其在視覺追蹤、行人重識別及行為分析等多個工程
具有廣泛應(yīng)用；近年來，伴隨深度學(xué)習(xí)技術(shù)的快速發(fā)展，大量相關(guān)的目標(biāo)檢測算法也因此而產(chǎn)生。目標(biāo)檢測器也都達到了不錯的效果，但這些模型中的大多數(shù)都需要過多的計算資源；這就凸顯出對輕量化模型設(shè)計的強烈需求，主要原因是盡管現(xiàn)有算法在追求高檢測精度上取得了顯著成就，卻往往忽視了模型尺寸及其帶來的計算負(fù)擔(dān)，而這恰恰是評判算法實際可行性和能否成功應(yīng)用于邊緣計算資源受限設(shè)備的關(guān)鍵因素。
2、目標(biāo)檢測算法在深度學(xué)習(xí)的框架下，依據(jù)其運作機制可大體分類為兩大流派：兩階段算法與一階段算法。前者以基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)為典型，這類算法以高檢測精度著稱，但伴隨而來的是模型規(guī)模與計算復(fù)雜度的顯著增加，這在諸如自動駕駛和智能交通系統(tǒng)的實時應(yīng)用中可能受到限制。相反，一階段檢測算法簡化了檢測流程，直接從輸入圖像中預(yù)測物體位置及其邊界框?qū)傩裕瑢z測任務(wù)轉(zhuǎn)化為回歸問題。這些算法雖然在精確度上可能略遜于兩階段方法，但勝在模型更為精簡，執(zhí)行速度快，因而在工業(yè)界有著廣泛的應(yīng)用實踐。特別是yolo模型，以其極高的檢測速度脫穎而出，相較于其他多數(shù)目標(biāo)檢測技術(shù)展現(xiàn)出幾個數(shù)量級的優(yōu)勢。yolo的核心創(chuàng)新在于其架構(gòu)設(shè)計，該模型對每個預(yù)設(shè)的錨框同時輸出一個物體類別概率和位置偏移量，僅保留那些類別概率超過預(yù)設(shè)閾值的邊界框作為檢測結(jié)果，以此快速且有效地定位圖像中的目標(biāo)對象，從而區(qū)別
3、大部分行人檢測任務(wù)通常在配備高性能圖形處理器(gpu)的平臺上進行測試和實施。然而，與之相比，嵌入式設(shè)備在計算能力上存在顯著差異，無法承載大規(guī)模的卷積運算負(fù)擔(dān)，這意味著gpu驅(qū)動的解決方案在資源有限的嵌入式環(huán)境下面臨實施挑戰(zhàn)。所以要保證模型性能的同時又要保證模型可以在資源受限的設(shè)備上使用，這是待解決的一個難題。現(xiàn)有技術(shù)中針對yolo模型系列的諸多改進措施已促成檢測精度的小幅增長，但模型大小的控制問題依舊突出，未能圓滿實現(xiàn)輕量化與高精度的和諧統(tǒng)一。考慮到嵌入式系統(tǒng)與高端服務(wù)器在計算性能上的顯著差異，現(xiàn)實部署中，許多邊緣計算裝置及移動設(shè)備難以滿足前沿深度學(xué)習(xí)模型的資源需求。特別是在人流量大的場合，目標(biāo)間的頻繁重疊加劇了行人識別的難度，降低了檢測精準(zhǔn)度。
4、綜上所述，繼續(xù)一種專為資源受限設(shè)備設(shè)計的輕量化行人檢測模型，旨在實現(xiàn)在人群密集情況下也能保持高效實時的行人辨識能力。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)存在的不足，本專利技術(shù)提出了一種基于改進yolov5s輕量化模型的密集行人檢測方法，該方法包括：獲取行人圖像并將其輸入到訓(xùn)練好的密集行人檢測模型中進行處理，得到密集行人檢測結(jié)果；
2、密集行人檢測模型的訓(xùn)練過程包括：
3、s1：獲取行人圖像，將行人圖像輸入到改進yolov5模型中，得到初始密集行人檢測結(jié)果；
4、s2：根據(jù)初始密集行人檢測結(jié)果對改進yolov5模型進行結(jié)構(gòu)化剪枝，得到中間改進yolov5模型；
5、s3：根據(jù)初始密集行人檢測結(jié)果計算模型總損失，根據(jù)模型總損失調(diào)整中間改進yolov5模型參數(shù)，得到訓(xùn)練好的密集行人檢測模型；
6、s4：采用soft-nms算法對訓(xùn)練好的密集行人檢測模型的檢測結(jié)果進行篩選，得到最終的密集行人檢測結(jié)果。
7、優(yōu)選的，改進yolov5模型包括backbone網(wǎng)絡(luò)、neck網(wǎng)絡(luò)和head網(wǎng)絡(luò)；backbone網(wǎng)絡(luò)由2個一維卷積層、相互交替連接的4個c3_mlca層與3個lwwconv層、sppf層組成；neck網(wǎng)絡(luò)包括2個一維卷積層、2個上采樣層、2個lwwconv層、4個c3層和4個concat層；head網(wǎng)絡(luò)包括3個detect層。
8、進一步的，lwwconv層的計算表達式為：
9、xavg＝conv1×1(avgpool(x))
10、
11、flww_max＝wtconv1×1(wtconv1×1(maxpool(x)))
12、flww＝softmax(flww_avg+flww_max)·gconvk×k
13、其中，flww表示lwwconv層輸出，conv1×1表示卷積核大小為1的卷積，wtconv1×1表示卷積核大小為1的wtconv，x表示輸入的特征圖，avgpool表示平均池化，maxpool表示最大池化，表示xavg中第i個像素點，n表示xavg中像素點數(shù)量，bl是第l個可學(xué)習(xí)的視覺碼字，sl是第l個比例因子，l是視覺中心的總數(shù)，表示bn層，gconvk×k表示卷積核大小為k的組卷積；xavg、ek、flww_avg、flww_max分別表示第一、第二、第三和第四中間參數(shù)。
14、優(yōu)選的，模型總損失為分類損失與回歸損失的加權(quán)和；分類損失為：
15、
16、其中，vfl(p,q)表示分類損失，q表示二值變量，p表示模型預(yù)測的概率，γ表示曲線弧度控制參數(shù)；a表示比例因子；
17、回歸損失為：
18、
19、其中，leiou表示回歸損失，iou表示交并比，b表示預(yù)測框的中心，bgt表示目標(biāo)框中心點，ρ2(b,bgt)表示物體的預(yù)測框和物體目標(biāo)框中心點的坐標(biāo)的歐氏距離的平方，ρ2(w,wgt)表示物體的預(yù)測框和物體目標(biāo)框的寬度差值的平方，w表示預(yù)測框的寬，wgt表示目標(biāo)框的寬，ρ2(h,hgt)表示物體的預(yù)測框和物體目標(biāo)框的高度差值的平方，h表示預(yù)測框的高，hgt表示目標(biāo)框的高，wc表示物體的預(yù)測框和物體目標(biāo)框能夠組成的最小外接矩形的寬度，hc表示物體的預(yù)測框和物體目標(biāo)框能夠組成的最小外接矩形的高度。
20、優(yōu)選的，對初始密集行人檢測結(jié)果進行篩選的過程包括：計算訓(xùn)練好的密集行人檢測模型的檢測結(jié)果中檢驗框的置信度得分；設(shè)置檢驗框的置信度得分閾值，去除檢驗框置信度得分低于置信度得分閾值的檢驗框，得到最終的密集行人檢測結(jié)果。
21、進一步的，計算檢驗框置信度得分的公式為：
22、
23、其中，sni表示檢驗框的置信度得分，si表示經(jīng)典nms算法輸出的第i個檢測框的得分，iou(m,bi)表示是兩個檢驗框之間的交并比，m表示得分最高的檢測框，bi表示第i個檢驗框，nt表示衰減閾值，α表示高斯懲罰函數(shù)的超參數(shù)。
24、優(yōu)選的，對中間改進yolov5模型進行結(jié)構(gòu)化剪枝的過程包括：對網(wǎng)絡(luò)參數(shù)進行分組，根據(jù)分組進行模型剪枝；計算剪枝損失，當(dāng)剪枝損失收斂時，得到訓(xùn)練好的密集行人檢測模型。
25、本專利技術(shù)的有益效果為：
26、本專利技術(shù)引入了輕量級的卷積lwwconv，該模塊通過引入空間注意力機制來自適應(yīng)地調(diào)整不同空間位置的重要性，同時，其利用組卷積結(jié)構(gòu)將輸入通道分割成若干組，來達到減少模型的參數(shù)和計算量的目的；...
【技術(shù)保護點】
1.一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，包括：獲取行人圖像并將其輸入到訓(xùn)練好的密集行人檢測模型中進行處理，得到密集行人檢測結(jié)果；
2.根據(jù)權(quán)利要求1所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，所述改進YOLOv5模型包括Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)和Head網(wǎng)絡(luò)；Backbone網(wǎng)絡(luò)由2個一維卷積層、相互交替連接的4個C3_MLCA層與3個LWWConv層、SPPF層組成；Neck網(wǎng)絡(luò)包括2個一維卷積層、2個上采樣層、2個LWWConv層、4個C3層和4個Concat層；Head網(wǎng)絡(luò)包括3個Detect層。
3.根據(jù)權(quán)利要求2所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，LWWConv層的計算表達式為：
4.根據(jù)權(quán)利要求1所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，所述模型總損失為分類損失與回歸損失的加權(quán)和；分類損失為：
5.根據(jù)權(quán)利要求1所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在
6.根據(jù)權(quán)利要求5所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，計算檢驗框置信度得分的公式為：
7.根據(jù)權(quán)利要求1所述的一種基于改進YOLOv5s輕量化模型的密集行人檢測方法，其特征在于，對中間改進YOLOv5模型進行結(jié)構(gòu)化剪枝的過程包括：對網(wǎng)絡(luò)參數(shù)進行分組，根據(jù)分組進行模型剪枝；計算剪枝損失，當(dāng)剪枝損失收斂時，得到訓(xùn)練好的密集行人檢測模型。
...【技術(shù)特征摘要】
1.一種基于改進yolov5s輕量化模型的密集行人檢測方法，其特征在于，包括：獲取行人圖像并將其輸入到訓(xùn)練好的密集行人檢測模型中進行處理，得到密集行人檢測結(jié)果；
2.根據(jù)權(quán)利要求1所述的一種基于改進yolov5s輕量化模型的密集行人檢測方法，其特征在于，所述改進yolov5模型包括backbone網(wǎng)絡(luò)、neck網(wǎng)絡(luò)和head網(wǎng)絡(luò)；backbone網(wǎng)絡(luò)由2個一維卷積層、相互交替連接的4個c3_mlca層與3個lwwconv層、sppf層組成；neck網(wǎng)絡(luò)包括2個一維卷積層、2個上采樣層、2個lwwconv層、4個c3層和4個concat層；head網(wǎng)絡(luò)包括3個detect層。
3.根據(jù)權(quán)利要求2所述的一種基于改進yolov5s輕量化模型的密集行人檢測方法，其特征在于，lwwconv層的計算表達式為：
4.根據(jù)權(quán)利要求1所述的一種基于改進yolov5s輕量化模...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳雪剛，劉懋霖，
申請(專利權(quán))人：重慶理工大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。