1.本发明属于监控技术领域，具体涉及一种地铁车站的行人行为检测系统。
背景技术：
2.地铁车站场景的行人密集，在实际的监控出行场景下，由于行人目标与摄像头的距离远近不一，且角度非常多变。导致在图像中行人的尺寸分布大小不一，不易检测，导致行人目标漏检、误检。地铁复杂场景下目标元素过多导致特征信息分析较慢，检测速度达不到实时。
3.为了克服上述不利影响，本系统对传统的神经网络进行改进，降低对原始图像的要求，提高识别效率，减轻系统硬件资源消耗。
技术实现要素：
4.为了解决上述技术问题，本发明提出一种地铁车站的行人行为检测系统，包括网络监控摄像头和交换机，网络监控摄像头有多个；还包括图像预检测模块；每个网络监控摄像机的输出端连接一个图像预检测模块；图像预检测模块以cpu和gpu为核心，且具有存储器；网络监控摄像头输出图像由相应的图像预检测模块处理，并把相应处理结果存储在存储器，再由后台管理端经交换机调取；
5.在图像预处理模块中，采用行为检测算法把对输入的视频帧进行处理，得到具有检测框的行人图像；
6.行为检测算法采用改良yolov5网络模型，改良方法包括：
7.在yolov5网络加入可变形卷积网、在yolov5网络的特征提取网络中加入注意力机制，以及在yolov5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔。
8.对yolov5网络进行训练，首先，进行行人数据采集，采用旋转、翻转及随机裁剪等数据增广的方法扩大样本，每三十到六十帧截取一张图像。增强处理后的图像进入分类网络，经过多层卷积，提取图像特征信息，生成不同尺度的特征图，形成特征金字塔进入检测网络。
9.在yolov5网络加入可变形卷积网，yolov5中的特征金字塔结构采用自下而上的方式进行特征融合，3个特征层的提取均与底层残差块的输出相关联，因此提高底层残差模块对特征图上不同大小感受野的适应能力能够在最大程度上提高模型的定位精度，使用可变形卷积替换了主干网络中第4个残差块(residual block4)部分的3
×
3卷积。
10.在yolov5网络的特征提取网络中加入注意力机制，将senet通道注意力机制引入backbone中第二个卷积模块后，用于增强含有较大信息的通道特征，并对含有特征信息较少的通道进行抑制，改善对被遮挡、靠近群体等特征信息不明显目标的检测效果。
11.在yolov5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔，方法是先得到尺度最大的特征层即为第一特征层；然后进行一个上采样获得一个特征层；再使用route层获取一个倒数第二次下采样的卷积层；将两个中尺度的特征层混合得到第二特征
层，以此类推，得到第三特征层和第四特征层。
附图说明
12.图1是本实施例的系统示意图；
13.图2是本实施例的流程图。
具体实施方式
14.下面结合具体实施例对本系统进行说明。
15.参考图1，一种地铁车站的行人行为检测系统，包括网络监控摄像头和交换机。所述网络监控摄像头有多个。还包括图像预检测模块；每个网络监控摄像机的输出端连接一个图像预检测模块；图像预检测模块以cpu和gpu为核心，且具有存储器；
16.参考图2，网络监控摄像头输出图像由相应的图像预检测模块处理，并把相应处理结果存储在存储器，再由后台管理端经交换机调取；
17.在图像预处理模块中，采用行为检测算法对输入的视频帧进行处理，得到具有检测框的行人图像；
18.行为检测算法采用改良yolov5网络模型，改良方法包括在yolov5网络加入可变形卷积网、在yolov5网络的特征提取网络中加入注意力机制，以及在yolov5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔。
19.本系统解决了现有行为检测系统应用于识别车站密集场景时效果较差的问题。
20.在行为检测算法中，是采用yolov5网络模块，该网络模块的搭建步骤为：
21.步骤1:搭建pytorch深度学习框架，其中行为检测模型的配置利用yolov5算法；
22.步骤2：修改yolov5网络，
23.(1)本发明在yolov5网络基础上，在完成特征提取后，进行多尺度的特征图构建特征金字塔，先得到尺度最大的特征层即为特征层1，然后进行一个上采样获得一个特征层，再使用route层获取一个倒数第二次下采样的卷积层，将两个中尺度的特征层混合得到特征层2，以此类推，得到特征层3和特征层4。
24.(2)加入了可变形卷积网络，使得网络可以自适应的学习特征点的感受野，从而对不同尺寸和形状的目标提取更有效的特征，提高检测精度。
25.(普通卷积)
26.(可变形卷积)，δpn为偏移矩阵。
27.(3)在特征提取网络中加入注意力机制。
28.步骤3:训练网络。
29.步骤4:利用训练好的模型进行detect，从而得到最终适用于行人检测的yolov5模型。
技术特征：
1.一种地铁车站的行人行为检测系统，包括网络监控摄像头和交换机，其特征是所述网络监控摄像头有多个；还包括图像预检测模块；每个网络监控摄像机的输出端连接一个图像预检测模块；图像预检测模块以cpu和gpu为核心，且具有存储器；网络监控摄像头输出图像由相应的图像预检测模块处理，并把相应处理结果存储在存储器，再由后台管理端经交换机调取；在图像预处理模块中，采用行为检测算法对输入的视频帧进行处理，得到具有检测框的行人图像；行为检测算法采用改良yolov5网络模型，改良方法包括：在yolov5网络加入可变形卷积网、在yolov5网络的特征提取网络中加入注意力机制，以及在yolov5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔。2.根据权利要求1所述的地铁车站的行人行为检测系统，其特征是yolov5网络模型中，对yolov5网络进行训练：首先，进行行人数据采集，采用旋转、翻转及随机裁剪等数据增广的方法扩大样本，每三十到六十帧截取一张图像。增强处理后的图像进入分类网络，经过多层卷积，提取图像特征信息，生成不同尺度的特征图，形成特征金字塔进入检测网络。3.根据权利要求1所述的地铁车站的行人行为检测系统，其特征是对yolov5网络进行修改：在yolov5网络加入可变形卷积网，yolov5中的特征金字塔结构采用自下而上的方式进行特征融合，3个特征层的提取均与底层残差块的输出相关联，使用可变形卷积替换了主干网络中第4个残差块residualblock4部分的3
×
3卷积。4.根据权利要求1所述的地铁车站的行人行为检测系统，其特征是在yolov5网络的特征提取网络中加入注意力机制，将senet通道注意力机制引入backbone中第二个卷积模块后，用于增强含有较大信息的通道特征，并对含有特征信息较少的通道进行抑制。5.根据权利要求1所述的地铁车站的行人行为检测系统，其特征是在yolov5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔，方法是先得到尺度最大的特征层即为第一特征层；然后进行一个上采样获得一个特征层；再使用route层获取一个倒数第二次下采样的卷积层；将两个中尺度的特征层混合得到第二特征层，以此类推，得到第三特征层和第四特征层。
技术总结
一种地铁车站的行人行为检测系统，包括网络监控摄像头和交换机，网络监控摄像头有多个；还包括图像预检测模块；每个网络监控摄像机的输出端连接一个图像预检测模块；图像预检测模块以CPU和GPU为核心；网络监控摄像头输出图像由相应的图像预检测模块处理，并把相应处理结果存储在存储器，再由后台管理端经交换机调取；在图像预处理模块中，采用行为检测算法对输入的视频帧进行处理，得到具有检测框的行人图像；行为检测算法采用改良YOLOv5网络模型，改良方法是在YOLOv5网络加入可变形卷积网、在YOLOv5网络的特征提取网络中加入注意力机制，以及在YOLOv5网络读特征提取完成后，进行多尺度的特征图构建特征金字塔。行多尺度的特征图构建特征金字塔。行多尺度的特征图构建特征金字塔。
技术研发人员：张修文
受保护的技术使用者：苏州玖合智能科技有限公司
技术研发日：2022.02.18
技术公布日：2022/7/1
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
