[發(fā)明專利]使用高斯懲罰檢測圖像中行人的方法

在審

• 申請?zhí)枺?/td>: 201710474582.0
• 申請日: 2017-06-21
• 公開（公告）號: CN109101859A
• 公開（公告）日: 2018-12-28
• 發(fā)明（設(shè)計(jì)）人: 王文敏;董培磊;范夢迪;王榮剛;李革;董勝富;王振宇;李英;趙輝;高文
• 申請（專利權(quán)）人: 北京大學(xué)深圳研究生院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 黃鳳茹

1.一種使用高斯懲罰檢測圖像中行人的方法，在行人檢測過程中，使用高斯懲罰對獲得的初步行人邊界框進(jìn)行篩選，從而提升對圖像中行人尤其是遮擋行人的檢測性能；包括如下步驟：

1)獲取行人檢測圖像的訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集和行人標(biāo)注；

2)使用行人檢測方法用訓(xùn)練數(shù)據(jù)集訓(xùn)練得到檢測模型，獲取初步的行人邊界框的坐標(biāo)及其置信度(score)；

3)對行人邊界框的置信度進(jìn)行高斯懲罰，得到懲罰后的行人邊界框置信度；通過行人邊界框篩選得到最終的行人邊界框，從而達(dá)到去除單個行人的重復(fù)邊界框，而保留被遮擋行人的邊界框的目的，由此實(shí)現(xiàn)對圖像中行人的檢測；包括如下步驟：

31)對于每一幅圖像，根據(jù)置信度對邊界框進(jìn)行排序，選擇置信度最大的邊界框M；

32)通過式1計(jì)算其他每一個邊界框bbox_i與邊界框M的重疊度IoU(M,bbox_i)：

其中，area(M∩bbox_i)是邊界框bbox_i與M的區(qū)域交集，area(M∪bbox_i)是邊界框bbox_i與M的區(qū)域并集；

通過式3對邊界框的置信度進(jìn)行懲罰，得到懲罰后的行人邊界框置信度：

其中，e為自然對數(shù)，σ是方差；score_i為初始邊界框的置信度；S_i為邊界框bbox_i懲罰后的置信度；IoU(M,bbox_i)是邊界框bbox_i與M的重疊度；

33)設(shè)置置信度閾值，對每張圖像，將懲罰后的置信度大于所設(shè)置的置信度閾值的行人邊界框，作為最終檢測結(jié)果；由此檢測得到圖像中的行人。

2.如權(quán)利要求1所述方法，其特征是，步驟1)具體從行人數(shù)據(jù)集Caltech中分別得到訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)均有行人標(biāo)注，所述行人標(biāo)注采用矩形框在圖像中的左上角和右下角的坐標(biāo)來表示行人在圖像中的位置。

3.如權(quán)利要求1所述方法，其特征是，步驟2)具體采用文獻(xiàn)[1](S.Ren,K.He,R.Girshick,and J.Sun,“Faster R-CNN:Towards Real-Time Object Detection withRegion Proposal Networks,”，TPAMI(2016))記載的檢測模型Faster RCNN進(jìn)行訓(xùn)練，利用訓(xùn)練數(shù)據(jù)集的圖像對Faster RCNN神經(jīng)網(wǎng)絡(luò)的全連接層進(jìn)行微調(diào)；將訓(xùn)練圖像和標(biāo)注信息輸入Faster RCNN神經(jīng)網(wǎng)絡(luò)中，通過反向傳播算法將模型檢測和標(biāo)注之間的差異損失回饋到模型中，并調(diào)整網(wǎng)絡(luò)模型的參數(shù)；在訓(xùn)練數(shù)據(jù)集上多次迭代后，獲得行人檢測模型；再將測試數(shù)據(jù)集輸入行人的檢測模型，對行人的位置進(jìn)行分類和定位，由此獲得初步的行人邊界框及其置信度和坐標(biāo)。

4.如權(quán)利要求1所述方法，其特征是，步驟33)設(shè)置置信度閾值為0.5。

5.如權(quán)利要求1所述方法，其特征是，步驟2)所述獲取的初步的行人邊界框類別包括：行人邊界框之間完全沒有重疊的邊界框、單個行人邊界框、遮擋行人間的邊界框。