基于Faster-RCNN的人数检测系统

基于faster-rcnn的人数检测系统
技术领域
1.本发明涉及faster-rcnn人数检测技术领域，具体为基于faster-rcnn的人数检测系统。


背景技术：

2.近年来，随着计算机视觉、人工智能以及深度学习等学科的发展，人数统计方法得到了快速的发展。相对于传统的人工统计人数方法，视觉人数统计具有快捷方便的优点。本文基于faster-rcnn网络提出人数检测系统。
3.人数的检测涉及到的内容主要为深度学习目标检测，在深度学习领域中经典的检测方法有单阶段one-stage和两阶段two-stage。单阶段的方法主要为yolo系列，两阶段的方法有faster-rcnn系列。yolo系列在检测核心的优势是其速度快，适合做实时的检测任务，但是相对于两阶段的faster-rcnn系列，检测效果一般不好。而faster-rcnn系列在检测速度上虽然不及yolo系列，但其检测效果较好。考虑到在人流量不大的区域，人数的改变并不需要实时监测，因此本文将基于faster-rcnn构建人数检测系统，减少检测资源的开销，同时提高检测效果，将检测的人数数量准确反馈给用户。


技术实现要素：

4.本发明的目的在于提供了基于faster-rcnn的人数检测系统，达到减少检测资源的开销，同时提高检测效果，将检测的人数数量准确反馈给用户。
5.为实现上述目的，本发明提供如下技术方案：
6.基于faster-rcnn的人数检测系统，包括以下步骤：
7.s1：采集人物数据样本，将数据样本制作成数据集
8.s2：将数据集划分为训练集和测试集。
9.s3：采用训练集训练faster-rcnn网络。
10.s4：对训练得到的模型进行检测效果评估。
11.s5：将训练得到的模型应用到检测，检测出图像中的人。
12.s6：对图像中检测出的人物进行统计并输出。
13.进一步，所述s1中具体步骤为：
14.s11：采集人物数据样本，其包含人物各种环境下的站立行走状态。
15.s12：对样本进行统一处理，高分辨率样本进行统一等比例缩放，s12：
16.对人物进行标注，将人物位于图像的坐标填写进txt文件中与图像集做成数据集。
17.进一步的，所述s2中采用的数据集划分按8:2划分为训练集和数据集。
18.进一步的，所述s3中的具体步骤为：
19.s31：输入图像，通过卷积网络进行特征提取，得到特征图。
20.s32：对特征图经过一次3*3卷积集中特征信息，然后进入两个1*1卷积进行anchor正负样本分类和anchor偏移位置回归，再进一步的，rpn损失函数由分类损失和回归损失获
得，其计算公式如下：
[0021][0022]
ti＝[t
x
，ty，tw，th]
[0023][0024]
其中，pi表示目标包含在第i个anchor中的概率。和表示批次大小。l
cls
表示分类损失，l
reg
表示回归损失。ti和t
i*
分别表示候选框和预测框的位置数值。具体公式如下表示：
[0025][0026][0027]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha[0028]
tw＝log(w/wa)，th＝log(h/ha)
[0029]
其中，x和y为框的中心坐标，w和h分别表示宽度和高度。
[0030]
s33：roi pooling利用特征图和rpn输出的数据，将其特征图进行统一大小输入全链接层判定目标。
[0031]
s34：对结果进行分类和回归，获得训练模型。
[0032]
进一步的，所述s4具体步骤为：
[0033]
s41：随机对一定区域进行拍摄获取样张，作为模型检测的输入。并将每个区域内的真实人数记录为ri。
[0034]
s42：对每一张拍摄样张进行检测，获取每次模型的输出结果di并计算检测错误的人数几位ei。
[0035]
再进一步地，采用准确率评估模型效果，起计算公式为：
[0036][0037]
进一步的，所述s5具体的步骤为：
[0038]
s41：将模型部署到设备中。
[0039]
s42：打开设备摄像头，对区域进行拍摄。
[0040]
s43：将拍摄到的图片输入到检测模型中检测。
[0041]
进一步的，所述s6具体步骤为用函数对模型检测的结果进行统计并输出给用户。
[0042]
本发明提供了基于faster-rcnn的人数检测系统，具备以下有益效果：
[0043]
(1)、本发明通过解决小区域内人数流动性小的人数检测，将检测到的人数反馈给用户，让用户快捷方便获取区域内的人数。
[0044]
(2)、本发明通过将得到的模型进行效果评估，将人物识别训练的模型进行区域内人物检测，将识别模型检测到的人物进行统计，将统计得到的人数反馈给用户，该系统能有效的对人物进行检测并统计，能够准确将区域内的人数反馈给用户，让用户快速便捷知晓
区域内的人数并进行相应的工作。
附图说明
[0045]
图1是本发明的实施步骤流程示意图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
如图1所示，本发明提供一种技术方案：
[0048]
基于faster-rcnn的人数检测系统，包括以下步骤：
[0049]
s1：采集人物数据样本，将数据样本制作成数据集
[0050]
s2：将数据集划分为训练集和测试集。
[0051]
s3：采用训练集训练faster-rcnn网络。
[0052]
s4：对训练得到的模型进行检测效果评估。
[0053]
s5：将训练得到的模型应用到检测，检测出图像中的人。
[0054]
s6：对图像中检测出的人物进行统计并输出。
[0055]
进一步，s1中具体步骤为：
[0056]
s11：采集人物数据样本，其包含人物各种环境下的站立行走状态。
[0057]
s12：对样本进行统一处理，高分辨率样本进行统一等比例缩放。s12：
[0058]
对人物进行标注，将人物位于图像的坐标填写进txt文件中与图像集做成数据集。
[0059]
进一步的，s2中采用的数据集划分按8:2划分为训练集和数据集。
[0060]
进一步的，s3中的具体步骤为：
[0061]
s31：输入图像，通过卷积网络进行特征提取，得到特征图。
[0062]
s32：对特征图经过一次3*3卷积集中特征信息，然后进入两个1*1卷积进行anchor正负样本分类和anchor偏移位置回归，再进一步的，rpn损失函数由分类损失和回归损失获得，其计算公式如下：
[0063][0064]
ti－[t
x
，ty，tw，th]
[0065][0066]
其中，pi表示目标包含在第i个anchor中的概率。和表示批次大小。l
cls
表示分类损失，l
reg
表示回归损失。ti和t
i*
分别表示候选框和
[0067]
预测框的位置数值。具体公式如下表示：
[0068]
[0069][0070]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha[0071]
tw＝log(w/wa)，th＝log(h/ha)
[0072]
其中，x和y为框的中心坐标，w和h分别表示宽度和高度。
[0073]
s33：roi pooling利用特征图和rpn输出的数据，将其特征图进行统一大小输入全链接层判定目标。
[0074]
s34：对结果进行分类和回归，获得训练模型。
[0075]
进一步的，s4具体步骤为：
[0076]
s41：随机对一定区域进行拍摄获取样张，作为模型检测的输入。并将每个区域内的真实人数记录为ri。
[0077]
4.2：对每一张拍摄样张进行检测，获取每次模型的输出结果di并计算检测错误的人数几位ei。
[0078]
再进一步地，采用准确率评估模型效果，起计算公式为：
[0079][0080]
进一步的，s5具体的步骤为：
[0081]
s41：将模型部署到设备中。
[0082]
s42：打开设备摄像头，对区域进行拍摄。
[0083]
s43：将拍摄到的图片输入到检测模型中检测。
[0084]
进一步的，s6具体步骤为用函数对模型检测的结果进行统计并输出给用户。
[0085]
综上可得，本发明通过解决小区域内人数流动性小的人数检测，将检测到的人数反馈给用户，让用户快捷方便获取区域内的人数；将得到的模型进行效果评估，将人物识别训练的模型进行区域内人物检测，将识别模型检测到的人物进行统计，将统计得到的人数反馈给用户，该系统能有效的对人物进行检测并统计，能够准确将区域内的人数反馈给用户，让用户快速便捷知晓区域内的人数并进行相应的工作。
[0086]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

技术特征：
1.基于faster-rcnn的人数检测系统，其特征在于，包括以下步骤：s1、采集人物数据样本，将数据样本制作成数据集；s2、将数据集划分为训练集和测试集；s3、采用训练集训练faster-rcnn网络；s4、对训练得到的模型进行检测效果评估；s5、将训练得到的模型应用到检测，检测出图像中的人；s6、对图像中检测出的人物进行统计并输出。2.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s1中采集人物数据样本，将数据样本制作成数据集步骤具体为1.1：采集人物数据样本，其包含人物各种环境下的站立行走状态。1.2：对样本进行统一处理，高分辨率样本进行统一等比例缩放。1.3：对人物进行标注，将人物位于图像的坐标填写进txt文件中与图像集做成数据集。3.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s2中将数据集划分为训练集和测试集，具体为将数据集按照8:2随机划分为训练集和数据集。4.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s3中采用训练集训练faster-rcnn网络步骤具体为：3.1：输入图像，通过卷积网络进行特征提取，得到特征图。3.2：对特征图经过一次3*3卷积集中特征信息，然后进入两个1*1卷积进行anchor正负样本分类和anchor偏移位置回归，rpn损失函数由分类损失和回归损失获得，其计算公式如下：t
i
＝[t
x
，t
y
，t
w
，t
h
]其中，p
i
表示目标包含在第i个anchor中的概率。和表示批次大小。l
cls
表示分类损失，l
reg
表示回归损失。t
i
和t
i*
分别表示候选框和预测框的位置数值。具体公式如下表示：示：t
x
＝(x-x
a
)/w
a
，t
y
＝(y-y
a
)/h
a
t
w
＝log(w/w
a
)，t
h
＝log(h/h
a
)其中，x和y为框的中心坐标，w和h分别表示宽度和高度。3.3：roi pooling利用特征图和rpn输出的数据，将其特征图进行统一大小输入全链接层判定目标。3.4：对结果进行分类和回归，获得训练模型。5.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s4对训
练得到的模型进行检测效果评估，采用的评估方法为准确率评估，具体步骤为：4.1：随机对一定区域进行拍摄获取样张，作为模型检测的输入。并将每个区域内的真实人数记录为r
i
。4.2：对每一张拍摄样张进行检测，获取每次模型的输出结果d
i
并计算检测错误的人数几位e
i
。4.4：准确率计算公式为：6.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s5中将训练得到的模型应用到检测具体为：4.1：将模型部署到设备中。4.2：打开设备摄像头，对区域进行拍摄。4.3：将拍摄到的图片输入到检测模型中检测。7.根据权利要求1所述的基于faster-rcnn的人数检测系统，其特征在于：所述s6对图像中检测出的人物进行统计并输出具体步骤为用函数对模型检测的结果进行统计并输出。

技术总结
本发明涉及CAE数据技术领域，且公开了基于Faster-RCNN的人数检测系统，包括S1、采集人物数据样本，将数据样本制作成数据集；S2、将数据集划分为训练集和测试集；S3、采用训练集训练Faster-RCNN网络；S4、对训练得到的模型进行检测效果评估。本发明通过解决小区域内人数流动性小的人数检测，将检测到的人数反馈给用户，让用户快捷方便获取区域内的人数；将得到的模型进行效果评估，将人物识别训练的模型进行区域内人物检测，将识别模型检测到的人物进行统计，将统计得到的人数反馈给用户，该系统能有效的对人物进行检测并统计，能够准确将区域内的人数反馈给用户，让用户快速便捷知晓区域内的人数并进行相应的工作。域内的人数并进行相应的工作。域内的人数并进行相应的工作。


技术研发人员：朱静 林伟照 牛子晗 孙淑颖 杜晓楠 张颂研 梁顺棠 尹邦政 麦钦
受保护的技术使用者：广州大学
技术研发日：2022.02.17
技术公布日：2022/5/25