(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210530616.4 (22)申请日 2022.05.16 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 申请人 南京启诺信息技 术有限公司 (72)发明人 陈小庆　冯亮　杜辉　侯博宇　 董俊伟　 (74)专利代理 机构 重庆缙云专利代理事务所 (特殊普通 合伙) 50237 专利代理师 王翔 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/22(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的边缘端红外遥感行人 检测方法 (57)摘要 本发明公开一种基于深度学习的边缘端红 外遥感行人检测方法， 步骤为： 1)建立Yolov5红 外遥感行人检测模型； 2)获取待检测红外遥感图 片； 3)将待检测红外遥感图片输入到Yolov5红外 遥感行人检测模型中， 得到行人检测结果。 本发 明解决了传统红外检测模型无法部署于具有复 杂场景下的边缘设备上的问题， 在保证精度的前 提下具有可观的速度， 可用于实时的目标检测。 权利要求书2页 说明书6页 附图5页 CN 114973319 A 2022.08.30 CN 114973319 A 1.一种基于深度学习的边 缘端红外 遥感行人检测方法， 其特 征在于， 包括以下步骤： 1)建立所述Yo lov5红外遥感行人检测模型。 2)获取待检测红外 遥感图片。 3)将待检测红外遥感图片输入到Yolov5红外遥感行人检测模型中， 得到行人检测结 果。 2.根据权利要求1所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 建立Yolov5红外遥感行人检测模型的步骤 包括： 1)建立Yo lov5神经网络； 2)获取训练数据集， 并聚类得到若干数据集聚类锚点； 3)利用训练数据集对Yo lov5神经网络进行训练， 得到训练后的Yo lov5神经网络； 4)对训练后的Yo lov5神经网络进行模型转换， 得到转换后的Yo lov5神经网络； 5)对转换后的Yolov5神经网络的参数进行参数量化， 得到Yolov5红外遥感行人检测模 型。 3.根据权利要求2所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 所述Yolov5神经网络的激活函数包括x*sigmo id(x)； x为 函数输入。 4.根据权利要求2所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 所述训练数据集包括若干含行人标注框的红外遥感图片； 行人标注框中行人的姿态包括站 立、 坐下和行 走； 行人图像的全部或部分具有不同程度下的物体遮挡。 5.根据权利要求4所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 所述训练数据集的文件格式包括XML； 所述训练数据集文件包括folder模块、 size模块、 object模块； 所述folder模块用于指明红外遥感图片所在存储位置； 所述size模块包括红 外遥感图片的尺 寸和通道数； 所述object模块包括红外遥感图片的命名和红外遥感图片中 行人标注框信息 。 6.根据权利要求2所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 聚类得到若干数据集聚类锚点的方法包括K ‑means算法。 7.根据权利要求2所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 所述对训练后的Yo lov5神经网络进行模型转换的步骤 包括： 1)将训练后的pt格式的Yo lov5神经网络转换为 onnx格式的Yo lov5神经网络； 2)将onnx格式的Yo lov5神经网络转换为rk nn格式的Yo lov5神经网络 。 8.根据权利要求7所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 将训练后的pt格式的Yo lov5神经网络转换为 onnx格式的Yo lov5神经网络的步骤 包括： 1)在Yolov5神经网络中增 加图片预处 理层； 2)去除Yo lov5神经网络的focus层； 3)去除Yo lov5神经网络的permute层。 9.根据权利要求2所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在于， 对转换后的Yo lov5神经网络的参数进行参数量 化的公式如下： xquantized＝xfloat÷xscale+xzero_point    (1) 式中， xquantized为量化后的参数； xfloat为量化前的参数； xscale为量化因子； xzero_point为映 射起点；权　利　要　求　书 1/2 页 2 CN 114973319 A 2其中， 量化前的参数xfloat如下所示： xfloat＝xscale×(xquantized‑xzero‑point)    (2) 式中， 分别为量化前的参数的上 下限； 量化因子xscale如下所示： 式中， 为量化后参数 上下限。 映射起点xzero_point如下所示： 式中， 为量化后参数 上限。 10.根据权利要求1所述的基于深度学习的边缘端红外遥感行人检测方法， 其特征在 于， 所述行人检测结果包括若干行人检测框； 所述行人检测结果经过了多线程NMS算法处 理， 去除了 冗余行人检测框； 所述冗余行 人检测框与其 他检测框的重 叠度大于预设阈值。权　利　要　求　书 2/2 页 3 CN 114973319 A 3