科创中国

本发明公开了一种复杂环境下的密集行人检测方法，具体过程如下：首先改进YOLOv3算法，监控设备采集到行人图像，网络会自动提取关键帧，然后将图片传输到MSR算法，对图片进行图片增强处理，最后再传输到改进后的YOLOv3算法中并进行行人检测。本发明利用YOLOv3与MSR算法相互结合，最终构成了一种对于复杂环境下的密集行人检测方法。YOLOv3利用k‑means维度聚类的方法得到边界框进行更准确的预测,使得其速度和精度都有了比较大的提升。多尺度检测的应用，对于检测有遮挡的目标时，检测精度依然很高。解决了当前在某些复杂环境下对行人的检测精度低的问题。

本发明的目的在于提供一种复杂环境下的密集行人检测方法，以解决上述背景技术中提出的问题。为实现上述目的，本发明提供如下技术方案：一种复杂环境下的密集行人检测方法，具体过程如下：首先改进YOLOv3算法，监控设备采集到行人图像，网络会自动提取关键帧，然后将图片传输到MSR算法，对图片进行图片增强处理，最后再传输到改进后的YOLOv3算法中并进行行人检测。

行人检测的方法一般可以分为两种，即基于背景建模的方法和基于统计学习的方法。基于背景建模的方法：将背景建模，提取出前景的行人检测目标，并提取目标特征，再用分类器对检测到的目标进行分类。其中经典算法有Vibe算法，其优点就是操作很简单，运算效率也很高，但是缺点也很凸出，即检测区域内的不确定性太多，导致背景变化复杂，最后的检测结果也就不准确，例如鬼影问题、运动目标不完整问题、静止目标问题、阴影前景问题等等，背景的多变性导致检测结果不准确是背景建模进行行人检测的普遍存在问题。基于统计学习的方法：此方法主要根据样本库形成行人检测分类器。分类器包括神经网络、感知器算法、SVM、RBF、Parzen窗、Adaboost以及现在非常流行的深度学习(Deep Learning)。该方法是行人检测领域比较普遍的检测方法。其中法国的Dalal提出了HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection,Navneet Dalel,Bill Triggs,CVPR2005)取得了很大成就，并且许多后来研究的行人检测算法都是以此为根本思路提出的，例如Wang等人提出的将基于LBP的纹理特征与HOG算子结合，并且将SVM分类器进行改进，从而使其更适合有遮挡的情况；卷积神经网络(CNN)是深度学习算法的一个重要算法，LeNet、Alexnet、GoogleNet、VGG等都是CNN的经典模型，CNN包含了检测精度比较高但是速度有劣势的R‑CNN，Fast R‑CNN，Mask R‑CNN，还有基于回归思想的SSD、YOLO检测算法，此处着重阐述YOLO系列检测算法。YOLO应用了端对端训练以及推断并且使用框式目标检测框架的思路，在YOLO出现之前，有人工构建的SIFT、HOG等费时费力的模型，后来有了计算速度缓慢的R‑CNN系列，YOLO的出现成功的解决了精度、速度和成本问题。

此技术是燕山大学王建浩研发，燕山大学，位于河北省秦皇岛市，宗旨和业务范围是“本科及以上学历教育；科学研究；相关社会服务”。

与现有技术相比，本发明的有益效果是：本发明利用YOLOv3与MSR算法相互结合，最终构成了一种对于复杂环境下的密集行人检测方法。YOLOv3利用k‑means维度聚类的方法得到边界框进行更准确的预测,使得其速度和精度都有了比较大的提升。多尺度检测的应用，对于检测有遮挡的目标时，检测精度依然很高。解决了当前在某些复杂环境下对行人的检测精度低的问题。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。。