基于深度学习的行人社交距离检测程序设计

收藏和点赞，您的关注是我创作的动力

概要

  当下疫情防控形式严峻，伴随深度学习飞速发展以及卷积神经网络在图像识别的研究取得突破性进展，使得近年来行人距离检测问题成为新领域的热门话题。控制传染病传播的一种有效方法即为社会隔离，保持一定范围内的社交距离，能够让人减少过于密切的接触，从而达到减少传染病传播的目的，在新冠疫情爆发期间，在人们进行交流谈话的过程中，人与人之间更要保持相应的安全的社交距离。有鉴于此，应设计一个检测社交距离的项目，能够实现社交距离检测，保持安全社交距离，有助于疫情防控工作的开展。
　　本文利用深度学习技术和计算机视觉库OpenCV自动检测行人，计算每个人之间距离，并进行距离检测。利用编
  写程序计算行人间的距离，实现行人社交距离检测。
关键词：深度学习 OpenCV 检测社交距离 疫情防控

一、社交距离检测设计方案

  

1 项目架构构建

yolov3检测视频流中的所有人，计算所有检测到的人之间的相互“ 距离 ”，和现实生活中用“米”这样的单位衡量距离不一样的是，在计算机中，简单的方法用检测到的两个人的质心，也就是检测到的目标框的中心之间相隔的像素值作为计算机中的“距离”来衡量视频中的人之间的距离是否超过安全距离。
构建步骤：
使用目标检测算法检测视频流中的所有人，得到位置信息和质心位置计算所有检测到的人质心之间的相互距离
　　设置安全距离，计算每个人之间的距离对，检测两个人之间的距离是否小于N个像素，小于则处于安全距离，反之则不处于。

社交距离应用程序设计步骤
　　social_distancing_config.py：配置文件定义了过滤弱检测和非最大抑制值的初始化最小概率，并以像素为单位定义了最小安全社交社会距离。detection.py:将用目标检测算法yolov3用于检测视频流中的目标，并获得目标位置(右下和左上)和质心位置。

yolo-coco目录：定义目标检测算法要检测的类别，这里的初始化权重使用的是目标检测算法yolov3-coco训练。，所以分类数为80yolov3.cfg: yolov3网络结构的定义文件，利用yolov3模型检测，得到目标位置信息。
yolov3.weights ：yolov3模型的初始化权重。
　　social_distance_detector.py: 对视频文件或者网络摄像头视频流，借助detection.py得到的检测结果，计算成对人之间的距离并进行阈值判断是否处于安全社交距离之内，最终将结果进行展示绘制 ，输入视频street.mp4,输出outputstreet.mp4。使用YOLO目标检测器来检测视频流中的行人。
　　使用YOLO和OpenCV相比于其他检测方法（如SSD或Faster RCNN）需要做一些输出的处理，使用封装在detect_people.py文件中的YOLO目标检测逻辑来实现行人检测。
　　检测视频帧中的行人：返回results列表，包含以下内容：每个检测到的人的置信度、每个人的边界、每个人的质心。

二、程序运行

在social_distancing_config.py文件中打开一个终端，检测示范视频。在这里，可以看到在CPU上处理整个视频，结果显示，我们的社交疏离检测器正确地标记了违反社交疏散规则的人。

社交行人社会距离检测

三、总结

  跟踪是计算机视觉中的一个重要问题，有着广泛的应用，其中一个应用程序就是检测社交距离违规行为，这可以帮助城市评估公共卫生风险，并在相对安全的情况下重新开放教育、娱乐、文化等公共场合，本文对深度学习用于其余复杂场景提供了参考，在疫情防控领域做出浅薄之见和微弱贡献。在本文中，首先，介绍了社交行人距离检测的研究背景是在全球疫情爆发大环境下，和检测社交行人距离实现的几种方式。然后，介绍了深度学习的相关内容，并介绍了计算机视觉的应用。然后根据给定的过程，我对重要步骤进行了详细的研究和研究，包括OpenCV和YOLO。最后我介绍社交行人距离检测的设计流程，说明了社交距离的检测过程。

四、目 录

目 录
摘要2
关键词2
Abstract2
1 绪论3
1.1研究背景及意义3
1.2国内外研究现状4
2 相关技术工具的介绍4
2.1 关于深度学习的介绍4
2.1.1 深度学习发展过程4
2.1.2 深度学习相关知识6
3 OpenCV的介绍7
3.1 OpenCV简介7
3.2 OpenCV特点8
3.3 关于yolo的介绍8
4 社交距离检测设计方案9
4.1 项目架构构建9
4.2 使用OpenCV和深度学习实现社交距离检测11
4.2.2 构建网络11
5结论14