基于深度学习的人流量检测方法

摘要

本发明公开了一种基于深度学习的人流量检测方法，涉及人工智能技术领域。本发明使用的轻量级神经网络模型，与主流的卷积神经网络相比，通过深度可分离卷积将标准卷积核进行分解，减少了计算量，加速了计算，具有优良的性能，在保持传统模型性能的前提下，能降低模型大小同时提升速度；克服了模型过于庞大面临的内存不足的缺点，适用于移动端或嵌入式芯片的部署。本发明实现的视频监控下的人流量检测方法，基于该轻量级网络模型框架，自制实用型数据集，适用于特殊场景，如婴儿车数量多、行人移动速度慢的公园、文化广场；在如传染病疫情期间的特殊时期，能够及时计算人流量并疏散过密人群，加强对人们，特别是对婴幼儿的防护。