CN113807276B 基于优化的YOLOv4模型的吸烟行为识别方法 （江苏信息职业技术学院）

US2020151448A1,2020.05.14基于优化的YOLOv4模型的吸烟行为识别方法本发明公开了基于优化的YOLOv4模型的吸尺寸目标的检测能力，改进模型颈部网络的PANet结构，增加小目标特征为目标的特征网络2优化YOLOv4模型框架，在YOLOv4模型的骨干网络中加LEA模块，改进YOLOv4模型颈部网络的PANet结构，得到吸烟行为检测模型，记为YOLO-所述检测头网络用来预测类别信息和目标物体的边3由所述骨干网络中CSP4模块输出的通道特征值进入所述颈部网络，依次经过第四CBL经过通过上采样与所述骨干网络中第一CSP8模块经过第九CBL模块输出的通道特征值进行搭建摄像头或者使用现有视频监控系统，获得不同人员在不同场景下的吸烟行为视提取关键帧图片，以预设间隔的视频帧进行视频帧提取，挑选第一预按照所述标签类别对所述训练集中的每个图像标注目标位置坐标以及标将所述训练集中的每个图像与相应的xml文件按照VOC数据文件结构首先在ImageNet和COCO数据集中选择person类型对所述YOLO-Smoking模型进行预训将所述训练集输入至所述初始权重训练网络进行模型训练直至达到所述最大迭代次采用测试集对训练后的模型进行验证测试，若达到期望识别要求则将所4访问监控系统视频实时数据，设置每分钟抓取2个视频帧，将待测图像进行标准化处5周知，会间接或直接的导致很多疾病的发生甚至出现生命危险。2014年卫生计生委起草了过人为管理吸烟行为,吸烟行为很难做到合理管控。挑战:不同的视频监控图像里需要被检测出的目标的大小相对于整张图像的比例差异是非[0008]优化YOLOv4模型框架，在YOLOv4模型的骨干网络中加入6上的特征金字塔，FPN层自顶向下传达强语义特征，特征金字塔则自底向上传达强定位特[0015]其进一步的技术方案为，在YOLOv4模型的骨干网络中加入小目标增强注意力机用来生成一个大的残差边，通过对两条支路进行跨级张量拼接与通道整合增强CNN的学习SPP模块、第五CBL模块、第六CBL模块后通过上采样与骨干网络中第二CSP8模块经过第七上采样与骨干网络中第一CSP8模块经过第九CBL模块输出的通道特征值进行第二次张量拼7[0028]确定标签类别包括把人员和吸烟行为作为一个整体的smoking类型、把不具有吸[0032]首先在ImageNet和COCO数据集中选择person类型对YOLO-Smoking模型进行预训[0033]设置类别classes＝2，即smoking和person两个类型，输入图片尺寸width和8[0057]步骤2.3：将训练集中的每个图像与相应的x行马赛克(Mosaic)数据增强、自适应图片缩放以及自适应锚框计算处理后输入给骨干网9[0062]<3>颈部网络(neck)用来收集不同特征图，颈部网络(neck)采用S也即由空间金字塔池化层SPP模块与PANet组成。SPP模块使得任意大小的特征图都能够转模块经过第七CBL模块输出的通道特征值进行第一次张量拼接(Conact)后，一条支路为两层第八CBL模块经过通过上采样与骨干网络中第一CSP8模块经过第九CBL模块输出的通道[0064]<4>检测头网络(Predection)用来预测类别信息和目标物体的边界框，其每个通入至ResUnit模块的原通道特征值经过第二卷积层和批归一化层(BN)后得到新通道特征道特征值进行全局平均池化后得到两个1×1×C的通道特性值，然后通过两个卷积得到权[0072](1)首先在ImageNet和COCO数据集中选择person类型对YOLO-Smoking模型进行预[0073](2)设置类别classes＝2，即smoking和person两个类型，输入图片尺寸width和[0076]从表1可以看出YOLO-Smoking模型获得了高[0083]软件方面，基于Ubuntu16.04版本操作系统下实现的，机器上安装了GPU版本的TensorFlow深度学习框架tensorfl领域技术人员在不脱离本发明的精神和构思的前提下直