一种用于小区监测的智慧路灯

1.本发明涉及路灯设备技术领域，尤其涉及一种用于小区监测的智慧路灯。


背景技术：

2.路灯，指给道路提供照明功能的灯具，目前已经被广泛运用于各种需要照明的地方。路灯是道路照明的主体，也是城市照明功能的重要载体。随着智慧城市的普及和发展，对路灯的要求也越来越高，需要承担更多的功能。
3.然而，目前小区道路两旁的绝大多数的路灯仅有照明、太阳能供电等功能，而且占地面积较大。此外高空抛物而发生事故的情况屡见不鲜，人工成本不断升高，对花坛、道路的喷水需要花费更多的人力。在智慧城市建设大背景下，迫切需要一种智慧路灯。
4.现有中国公开专利cn215908966u公开了一种智慧路灯，具体为：在行人靠近路灯时，通过设置的距离传感器和红外线传感器可以感应到行人的接近，这时微控制单元可以控制电源控制模块，电源控制模块随后控制led灯板打开，这时即可实现自动开灯的效果，而在行人走远后，电源控制模块可以控制led灯板关闭，进而节省能源。该公开专利存在以下缺陷：
5.1、采用距离传感器和红外线传感器只能对路面情况做简单的黑白判别，检测距离和精度有限，传感器高度位置的差异可能会对其检测造成干扰。
6.2、路灯功能过少，没有真正实现智能化路灯，且其各模块不能自由拆卸，造成资源的浪费。
7.因此，本技术有必要设计一种用于小区监测的智慧路灯，以解决上述技术问题。


技术实现要素：

8.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种用于小区监测的智慧路灯，采用上视觉传感器具备前景目标提取算法和下降目标跟踪算法功能，从而达到提前预警的功能以及后续辅助工作人员进行责任追究；采用下视觉传感器具备行人检测算法以及控压装置控制功能，实现监测行人以及喷水需求。
9.为了实现上述目的，本发明采用了如下技术方案：
10.一种用于小区监测的智慧路灯，包括灯柱，所述灯柱的顶部左侧通过支架安装有上视觉传感器和下视觉传感器，所述灯柱的顶部右侧通过支架安装有太阳能板、光敏模块和节能型led灯，所述灯柱的上端部通过支架安装有广告牌，所述灯柱的下端部连接有花坛喷水装置，所述灯柱的底部安装有箱体，所述箱体上设有道路喷水装置；
11.所述上视觉传感器具有前景目标提取算法和下降目标跟踪算法功能，基于前景目标提取算法对高空抛落的物体进行锁定，再通过下降目标跟踪算法跟踪高空抛落物体，并反向寻找高空抛物的住户，达到提前预警的功能以及后续辅助工作人员进行责任追究；
12.所述下视觉传感器用于检测视觉区域内经过的行人，以轻量化目标检测算法pd-ssd为核心，对视觉区域内的行人进行检测并框选，一旦行人进入喷洒区域则自动停止喷
水，避免进行喷洒作业时误喷到行人造成不良影响。
13.优选地，前景目标提取算法以三通道哈希算法为核心，采用四分法将图片不断分割迭代检测，通过三通道哈希算法分别度量当前帧图像r、g、b三通道的哈希值与背景图像三通道的哈希值，经处理后得到的哈希值为二进制形式，最终找出三通道的哈希值的汉明距离都小于阈值λ的像素点的集合为前景区域，即高空抛落物体；
14.将采集到的图像信息分为rgb三个通道分别处理，定义其背景图像矩阵为hn，当前帧图像矩阵为mn，其中n表示四分法迭代n次，背景帧r、g、b三通道的图像矩阵分别为，其中n表示四分法迭代n次，背景帧r、g、b三通道的图像矩阵分别为当前帧r、g、b三通道的图像矩阵分别为的图像矩阵分别为q表示当前区域像素点的个数，具体操作步骤如下：
15.当n＝0时，背景帧r、g、b三通道的图像矩阵分别为当前帧r、g、b三通道的图像矩阵分别为道的图像矩阵分别为分别对比r、g、b三个通道背景帧与当前帧哈希值的汉明距离，若汉明距离都小于阈值λ，则认为当前帧与背景帧一致，未出现高空抛物；
16.若存在一个通道的汉明距离大于阈值λ，则认为当前帧与背景帧不一致，出现高空抛物，进行第n+1次，进一步分别判断4n个小区域当前帧与背景帧r、g、b三个通道哈希值的汉明距离，循环迭代最终锁定三通道的哈希值的汉明距离都小于一定阈值的像素点的集合为前景区域，即高空抛落物体。
17.优选地，三通道哈希算法是基于感知哈希算法改进的一种对比图片相似度的算法，即将图片信息分三通道进行处理，转换为二进制形式的哈希值，通过对比两张图片三个通道分别得到的哈希值的汉明距离来判断两张图片是否相似。以r通道为例，定义背景帧r通道的图像矩阵为hr＝{r
′1,r
′2,r
′3,......r
′q},当前帧r通道的图像矩阵为mr＝{r1,r2,r3,......rq},首先将两张图片缩写为8
×
8的尺寸，去除图片中频域高的信息，得到矩阵和分别为背景帧和当前帧对应的64像素矩阵；接着求出矩阵和中元素的平均值，分别为avgh和avgm；定义背景帧r通道图像的哈希值为当前帧r通道图像的哈希值为矩阵每个元素和avgh进行对比，如果元素值大于等于avgh则元素值变为1，否则元素值变为0，最后将得到的只有0或1的矩阵中的元素由第一个元素开始组合成为一个64位的整数，采用2进制的形式保存，即为的计算方法同上；最后对比和之间的汉明距离，若小于阈值λ，则认为当前帧与背景帧r通道图像一致。
18.优选地，下降目标跟踪算法用于跟踪高空抛落物体，并反向寻找高空抛物的住户，由于存在高空抛物行为的住户，再次抛物的概率大于其他用户，这里提出的下降目标追踪算法在deep-sort的基础上引入上述思想，每存在一次高空抛物，定位该下降物体初始帧区
域和记录高空抛物住户的位置，增强初始帧区域以及高空抛物住户位置的权重，用于精准定位下一次高空抛物的初始帧位置和找到高空抛物的住户位置。能有效增强第一帧检测结果的准确性，优化卡尔曼滤波运动变量初始化结果，具体步骤如下：
19.step1：将第一帧次检测到的结果创建其对应的轨迹(tracks)，将卡尔曼滤波的运动变量初始化，同时引入权重调节模型结合卡尔曼滤波精准预测其对应的框，框选的为抛落物位置；
20.step2：将当前帧目标的检测框与上一帧轨道(tracks)的预测框进行匹配，计算其代价矩阵；
21.step3：基于匈牙利算法进行级联匹配，如果检测框与预测框匹配成功，则追踪成功，定义轨道(tracks)的预测框为确认态；如果预测框失配，则将该轨道(tracks)的预测框定义为不确定态；如果检测框失配，则将该检测框初始化为新的轨道(tracks)预测框；
22.step4：反复执行step2、step3，直到追踪完成或者检测结束。
23.step5：由于step1第一帧框选的高空抛物位置可能介于若干个住户中间，不方便进行责任追究，选择权重最高的住户进行框选，锁定高空抛物的住户(框选的为高空抛物的用户)。
24.优选地，pd-ssd算法包括：以鬼影模块为核心结合se注意力机制搭建pdblock网络模块，将cpsdarknet53中的resblock进行改进为pdblock；采用改进型cpsdarknet53替换ssd的主干网络vgg。
25.优选地，se注意力模块就是用于提高网络模型的注意力，忽略不重要的特征，去过分关注重要的特征，调节通道之间的重要性程度。这里se注意力模块是挤压(squeeze)和激励(excitation)，首先进行挤压操作，在空间维度上整合特征图，生成一个通道描述符，让低层网络感受来自全局的信息；接着进行激励操作，判断各通道间的依赖程度；具体操作方法如下：
26.首先通过卷积操作和全局化操作提取特征，然后经过池化层得到全局特征值，其计算公式为：
[0027][0028]
式中se(x)表示全局特征值，w、h表示输入特征图的宽和高，x表示卷积操作后的输出。
[0029]
优选地，鬼影模块能有效降低神经网络大小，加快模型推理速度，使用了一种比卷积操作更加轻量化的鬼影操作生成冗余特征，鬼影操作相对卷积操作进行了改进；这里鬼影模块通过少量卷积结合轻量的冗余特征生成的方式，代替整个卷积操作，具体操作如下：
[0030]
step1：定义原卷积操作使用卷积核个数为p，现在鬼影操作使用卷积核个数为q，其中q＜p，使用q个卷积核生成q张特征图；
[0031]
step2：对step1生成q张特征图进行深度卷积操作，每张特征图生成k张新的特征图，共计k
×
q张新的特征图，其中k
×
q＝p；
[0032]
step3：将特征图拼接到一起，少量卷积加上轻量的冗余特征代替整个卷积；定义整个鬼影操作的计算量为gs，常规卷积操作的计算量为g，则计算公式如下：
[0033]
g＝(p
×h′×w′×c×
t
×
t)
[0034]
gs＝(q
×h′×w′×c×
t
×
t)+[(k-1)
×q×h′×w′×u×
u]
[0035]
式中g为卷积操作的计算量，gs为鬼影操作的计算量，p为卷积操作的输出维度，q是鬼影操作的输出维度，c是通道数，h
′
是输出的高，w
′
是输出的宽，t是卷积操作中卷积核的高和宽，u是鬼影操作中卷积核的高和宽，k是深度卷积操作生成的特征图个数；定义卷积操作和鬼影操作计算量的比值为f，计算公式为：
[0036][0037]
式中f为积操作和鬼影操作计算量的比值，g为卷积操作的计算量，gs为鬼影操作的计算量，p为卷积操作的输出维度，q是鬼影操作的输出维度，c是通道数，h
′
是输出的高，w
′
是输出的宽，t是卷积操作中卷积核的高和宽，u是鬼影操作中卷积核的高和宽，k是深度卷积操作生成的特征图个数，k是正整数，卷积操作的计算量是鬼影模块的k倍，使用鬼影操作更加轻量化，能够能有效降低神经网络大小，加快模型推理速度。
[0038]
优选地，将cpsdarknet53中的resblock进行改进为pdblock，在经过一个卷积后使用残差操作，一部分输入由鬼影模块和se注意力机制模块进行特征提取，另外一部分经过一个卷积操作后与上述提取的特征通过shortcut连接最终输出。可以有效增强cpsdarknet53的检测精度并且模型大小和检测速度几乎不受影响，采用改进型cpsdarknet53替换ssd的主干网络vgg，删除最后的池化层、全连接层以及softmax层，直接通过一个卷积操作将提取特征输入到ssd的预测特征图模块；可以有效减少计算量，加快模型推理。相对于原模型在检测精几乎不变、检测速度大幅度提升基本满足行人检测场景下的实际需求。
[0039]
优选地，所述道路喷水装置包括升降装置、以及安装在升降装置上的高压喷射水枪，所述升降装置的一侧设有控制模块；高压喷射水枪可通过升降装置进行上下抬升，所述花坛喷水装置包括控压模块、以及安装在控压模块上的旋转块，所述旋转块上分别设有限位挡板和高压喷嘴。当花坛喷水装置进行工作时，通过控压模块分别调节旋转块上的两个高压喷嘴进行不同水压的喷洒来达到旋转改变喷水方向和高度的目的，支架上的下视觉传感器用于检测视觉区域内经过的行人，以轻量化目标检测算法pd-ssd为核心，对视觉区域内的行人进行检测并框选，一旦行人进入喷洒区域则自动停止喷水，避免进行喷洒作业时时误喷到行人造成不良影响。
[0040]
本发明具有以下有益效果：
[0041]
1、本发明能够利用太阳能进行供电，节能环保；并结合道路喷水装置和花坛喷水装置代替洒水车，节省人力资源。
[0042]
2、本发明通过下视觉传感器具备的行人检测算法以及控压装置控制功能，实现监测行人以及喷水需求。
[0043]
3、本发明针对ssd算法在行人监测的环境下进行改进，提出pd-ssd算法，相比于ssd算法在行人监测的任务中检测速度更快、检测精度更高、鲁棒性更强。
[0044]
4、本发明采用上视觉传感器具备了前景目标提取算法和下降目标跟踪算法，前景目标提取算法以三通道哈希算法为核心，采用四分法将图片不断分割迭代检测，通过三通道哈希算法分别度量当前帧图像r、g、b三通道的哈希值与背景图像三通道的哈希值，经处理后得到的哈希值为二进制形式，最终找出三通道的哈希值的汉明距离都小于阈值λ的像素点的集合为前景区域，即高空抛落物体；再通过下降目标跟踪算法跟踪高空抛落物体并绘制下降轨迹，达到提前预警的功能以及后续辅助工作人员进行责任追究。
[0045]
5、本发明采用下降目标跟踪算法，在deep-sort的基础上引入由于存在高空抛物行为的住户，再次抛物的概率大于其他用户思想，每存在一次高空抛物，定位该下降物体初始帧区域和记录高空抛物住户的位置，增强初始帧区域以及高空抛物住户位置的权重，用于精准定位下一次高空抛物的初始帧位置和找到高空抛物的住户位置；能有效增强第一帧检测结果的准确性，优化卡尔曼滤波运动变量初始化结果。
[0046]
6、本发明中的多种模块可进行拆卸，能在多种实际场景下使用，满足所需的同时节省资源。
附图说明
[0047]
图1为本发明的整体结构示意图；
[0048]
图2为本发明中道路喷水装置的结构示意图；
[0049]
图3为本发明中花坛喷水装置的结构示意图；
[0050]
图4为本发明中前景目标提取算法的原理图；
[0051]
图5为本发明中下降目标跟踪算法的整体流程图；
[0052]
图6为本发明中pd-ssd算法的结构示意图；
[0053]
图7为本发明中pdblock原理的结构示意图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0055]
参照图1-图7，一种用于小区监测的智慧路灯，包括灯柱2，所述灯柱2的顶部左侧通过支架安装有上视觉传感器1-1和下视觉传感器1-2，所述灯柱2的顶部右侧通过支架安装有太阳能板3、光敏模块4和节能型led灯5，所述灯柱2的上端部通过支架安装有广告牌9，所述灯柱2的下端部连接有花坛喷水装置8，所述灯柱2的底部安装有箱体6，所述箱体6上设有道路喷水装置7。
[0056]
其中，灯柱2为长筒型结构，留够安全厚度，使内部中空方便电缆水管等接入，顶部圆顶，美观大方，侧边焊接有支架，用于拓展功能，底部为一箱体6，用以储存道路喷水装置7的组件，最下部为安装孔，用于安装该智慧路灯。
[0057]
其中，在灯柱2两侧安装太阳能板3，用于增加光照时间和光照面积，获取更多电能。灯柱支架上安装有节能型led灯5和光敏模块4，通过光敏模块4实现led灯在合适时间开关。
[0058]
如图2-3所示，箱体6中存有道路喷水装置的组件以及边缘计算盒子。道路喷水装置7包括高压喷射水枪7-1、升降装置7-2和控制模块7-3；高压喷射水枪7-1可通过升降装置7-2进行上下抬升；花坛喷水装置8包括限位挡板8-1、旋转块8-2、高压喷嘴8-3和控压模块8-4。
[0059]
其中，所述上视觉传感器1-1具有前景目标提取算法和下降目标跟踪算法功能，基于前景目标提取算法对高空抛落的物体进行锁定，再通过下降目标跟踪算法跟踪高空抛落物体，并反向寻找高空抛物的住户，达到提前预警的功能以及后续辅助工作人员进行责任追究。
[0060]
其中，所述下视觉传感器1-2用于检测视觉区域内经过的行人，以轻量化目标检测算法pd-ssd为核心，对视觉区域内的行人进行检测并框选，一旦行人进入喷洒区域则自动停止喷水，避免进行喷洒作业时误喷到行人造成不良影响。
[0061]
具体的，采用前景目标提取算法以三通道哈希算法为核心，采用四分法将图片不断分割迭代检测，通过三通道哈希算法分别度量当前帧图像r、g、b三通道的哈希值与背景图像三通道的哈希值，经处理后得到的哈希值为二进制形式，最终找出三通道的哈希值的汉明距离都小于阈值λ的像素点的集合为前景区域，即高空抛落物体。其中，由于高空抛物有一定的危险因素，此次实验在安全的前提下，采用从高处抛瓶子的方式模拟高空抛物来测试前景目标提取算法。图4是前景目标提取算法的可视化流程，以三通道哈希算法为核心，采用四分法将图片不断分割迭代检测，通过三通道哈希算法分别度量当前帧图像r、g、b三通道的哈希值与背景图像三通道的哈希值，经处理后得到的哈希值为二进制形式，最终找出三通道的哈希值的汉明距离都小于阈值λ的像素点的集合为前景区域，即高空抛落物体。三通道哈希算法是基于感知哈希算法改进的一种对比图片相似度的算法，即将图片信息分三通道进行处理，转换为二进制形式的哈希值，通过对比两张图片三个通道分别得到的哈希值的汉明距离来判断两张图片是否相似。以r通道为例，定义背景帧r通道的图像矩阵为hr＝{r
′1,r
′2,r
′3,......r
′q},当前帧r通道的图像矩阵为mr＝{r1,r2,r3,......rq},首先将两张图片缩写为8
×
8的尺寸，去除图片中频域高的信息，得到矩阵和分别为背景帧和当前帧对应的64像素矩阵；接着求出矩阵和中元素的平均值，分别为avgh和avgm；定义背景帧r通道图像的哈希值为当前帧r通道图像的哈希值为矩阵每个元素和avgh进行对比，如果元素值大于等于avgh则元素值变为1，否则元素值变为0，最后将得到的只有0或1的矩阵中的元素由第一个元素开始组合成为一个64位的整数，采用2进制的形式保存，即为的计算方法同上；最后对比和之间的汉明距离，若小于阈值λ，则认为当前帧与背景帧r通道图像一致。
[0062]
具体操作流程如下：
[0063]
将采集到的图像信息分为rgb三个通道分别处理，定义其背景图像矩阵为hn，当前帧图像矩阵为mn，其中n表示四分法迭代n次，背景帧r、g、b三通道的图像矩阵分别为，其中n表示四分法迭代n次，背景帧r、g、b三通道的图像矩阵分别为当前帧r、g、b三通道的图像矩阵分别为
q表示当前区域像素点的个数，具体操作步骤如下：
[0064]
当n＝0时，背景帧r、g、b三通道的图像矩阵分别为当前帧r、g、b三通道的图像矩阵分别为道的图像矩阵分别为分别对比r、g、b三个通道背景帧与当前帧哈希值的汉明距离，若汉明距离都小于阈值λ，则认为当前帧与背景帧一致，未出现高空抛物；
[0065]
若存在一个通道的汉明距离大于阈值λ，则认为当前帧与背景帧不一致，出现高空抛物，进行第n+1次，进一步分别判断4n个小区域当前帧与背景帧r、g、b三个通道哈希值的汉明距离，循环迭代最终锁定三通道的哈希值的汉明距离都小于一定阈值的像素点的集合为前景区域，即高空抛落物体。
[0066]
具体的，图5为下降目标跟踪算法的整体流程，由于存在高空抛物行为的住户，再次抛物的概率大于其他用户，本发明提出的下降目标追踪算法在deep-sort的基础上引入上述思想，每存在一次高空抛物，定位该下降物体初始帧区域和记录高空抛物住户的位置，增强初始帧区域以及高空抛物住户位置的权重，用于精准定位下一次高空抛物的初始帧位置和找到高空抛物的住户位置。能有效增强第一帧检测结果的准确性，优化卡尔曼滤波运动变量初始化结果，具体操作方式如下：
[0067]
step1：将第一帧次检测到的结果创建其对应的轨迹(tracks)，将卡尔曼滤波的运动变量初始化，同时引入权重调节模型结合卡尔曼滤波精准预测其对应的框(框选的为抛落物位置)；
[0068]
step2：将当前帧目标的检测框与上一帧轨道(tracks)的预测框进行匹配，计算其代价矩阵；
[0069]
step3：基于匈牙利算法进行级联匹配，如果检测框与预测框匹配成功，则追踪成功，定义轨道(tracks)的预测框为确认态；如果预测框失配，则将该轨道(tracks)的预测框定义为不确定态；如果检测框失配，则将该检测框初始化为新的轨道(tracks)预测框；
[0070]
step4：反复执行step2、step3，直到追踪完成或者检测结束。
[0071]
step5：由于step1第一帧框选的高空抛物位置可能介于若干个住户中间，不方便进行责任追究，选择权重最高的住户进行框选，锁定高空抛物的住户(框选的为高空抛物的用户)。
[0072]
具体的，本发明轻量化目标检测算法中框选物体的区域的方法是在目标检测算法ssd的基础上加以改进，提出pd-ssd算法，在本发明行人监测的场景下保持检测精度不变的的同时大幅提升检测速度。本发明对原算法的修改，pd-ssd算法结构如图6所示：
[0073]
(1)以鬼影模块为核心结合se注意力机制搭建pdblock网络模块，用于替换cpsdarknet53中的resblock；
[0074]
(2)采用改进型cpsdarknet53替换ssd的主干网络vgg。
[0075]
se注意力模块用于提高网络模型的注意力，忽略不重要的特征，去过分关注重要的特征，调节通道之间的重要性程度。se就是挤压(squeeze)和激励(excitation)，首先进
行挤压操作，在空间维度上整合特征图，生成一个通道描述符，让低层网络感受来自全局的信息。接着进行激励操作，判断各通道间的依赖程度。具体操作方法如下：
[0076]
首先通过卷积操作和全局化操作提取特征，然后经过池化层得到全局特征值，其计算公式为：
[0077][0078]
式中se(x)表示全局特征值，w、h表示输入特征图的宽和高，x表示卷积操作后的输出。
[0079]
具体的，鬼影模块能有效降低神经网络大小，加快模型推理速度。使用了一种比卷积操作更加轻量化的鬼影操作生成冗余特征，鬼影操作相对卷积操作进行了改进，通过少量卷积结合轻量的冗余特征生成的方式，代替整个卷积操作，具体操作如下：
[0080]
step1：定义原卷积操作使用卷积核个数为p，现在鬼影操作使用卷积核个数为q，其中q＜p，使用q个卷积核生成q张特征图；
[0081]
step2：对step1生成q张特征图进行深度卷积操作，每张特征图生成k张新的特征图，共计k
×
q张新的特征图，其中k
×
q＝p；
[0082]
step3：将特征图拼接到一起，少量卷积加上轻量的冗余特征代替整个卷积。定义整个鬼影操作的计算量为gs，常规卷积操作的计算量为g，则计算公式如下：
[0083]
g＝(p
×h′×w′×c×
t
×
t)
[0084]
gs＝(q
×h′×w′×c×
t
×
t)+[(k-1)
×q×h′×w′×u×
u]
[0085]
式中g为卷积操作的计算量，gs为鬼影操作的计算量，p为卷积操作的输出维度，q是鬼影操作的输出维度，c是通道数，h
′
是输出的高，w
′
是输出的宽，t是卷积操作中卷积核的高和宽，u是鬼影操作中卷积核的高和宽，k是深度卷积操作生成的特征图个数，定义卷积操作和鬼影操作计算量的比值为f，计算公式为：
[0086][0087]
式中f为积操作和鬼影操作计算量的比值，g为卷积操作的计算量，gs为鬼影操作的计算量，p为卷积操作的输出维度，q是鬼影操作的输出维度，c是通道数，h
′
是输出的高，w
′
是输出的宽，t是卷积操作中卷积核的高和宽，u是鬼影操作中卷积核的高和宽，k是深度卷积操作生成的特征图个数，k是正整数，卷积操作的计算量是鬼影模块的k倍，使用鬼影操作更加轻量化，能够能有效降低神经网络大小，加快模型推理速度。
[0088]
本发明将结合上述两个模块的优点，将se注意力机制、鬼影模块融合搭建pdblock网络模块，具体结构如图7所示。
[0089]
具体的，将cpsdarknet53中的resblock进行改进为pdblock，在经过一个卷积后使
用残差操作，一部分输入由鬼影模块和se注意力机制模块进行特征提取，另外一部分经过一个卷积操作后与上面提取的特征通过shortcut连接最终输出。可以有效增强cpsdarknet53的检测精度并且模型大小和检测速度几乎不受影响，采用改进型cpsdarknet53替换ssd的主干网络vgg，删除最后的池化层、全连接层以及softmax层，直接通过一个卷积操作将提取特征输入到ssd的预测特征图模块。可以有效减少计算量。加快模型推理。相对于原模型在检测精几乎不变、检测速度大幅度提升基本满足行人检测场景下的实际需求。
[0090]
对视觉区域内的行人进行监测，用轻量化目标检测算法pd-ssd框选，当行人进入喷洒的有效区域时，停止喷洒。
[0091]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。