[發(fā)明專利]基于分塊遮擋感知的行人檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810393658.1
• 申請日: 2018-04-27
• 公開（公告）號: CN108898047B
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計）人: 雷震;張士峰;莊楚斌
• 申請（專利權(quán)）人: 中國科學(xué)院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京市恒有知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩

1.一種基于分塊遮擋感知的行人檢測方法，其特征在于包括：

基于預(yù)先構(gòu)建的行人檢測模型，并根據(jù)待測行人圖像，獲取每個預(yù)設(shè)的人體檢測區(qū)域?qū)?yīng)的圖像特征；

對所獲取的圖像特征進行特征融合，得到對應(yīng)行人的整體特征；

根據(jù)所述整體特征，獲取所述待測行人圖像的多個檢測結(jié)果框；

選取所獲取的多個所述檢測結(jié)果框中滿足預(yù)設(shè)的篩選條件的檢測結(jié)果框；

其中，所述行人檢測模型是基于Faster R-CNN神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型，并且所述FasterR-CNN神經(jīng)網(wǎng)絡(luò)的高卷積層中關(guān)聯(lián)有錨點框；

所述Faster R-CNN神經(jīng)網(wǎng)絡(luò)包括RPN模塊，所述方法還包括基于預(yù)設(shè)的訓(xùn)練圖像，并按照下式所示的損失函數(shù)，對所述RPN模塊進行網(wǎng)絡(luò)訓(xùn)練：

其中，為行人分類損失函數(shù)，為聚合損失函數(shù)，i表示錨點框的標號，p_i和t_i分別表示第i個錨點框為行人的預(yù)測概率和該行人對應(yīng)的預(yù)測坐標；和分別表示與第i個錨點框相關(guān)聯(lián)的物體類別標號和對應(yīng)的標定坐標，α₁為第一超參數(shù)；

所述行人分類損失函數(shù)為：

其中，N_cls為RPN模塊分類過程中的錨點框總數(shù)；

所述聚合損失函數(shù)：

其中，為回歸損失函數(shù)，為緊湊性損失函數(shù)，β是第二超參數(shù)；

所述回歸損失函數(shù)為：

其中，N_reg為回歸階段錨點框的總數(shù)，是關(guān)于預(yù)測的檢測窗口t_i的L₁損失函數(shù)的損失值；

所述緊湊性損失函數(shù)為：

其中，N_com為與錨點框存在相交的行人總數(shù)，|Φ_i|為與第i個標定行人相關(guān)聯(lián)的錨點框總數(shù)，j為錨點框標號，t_j為預(yù)測的第j個錨點框行人對應(yīng)的坐標，p為與標定的行人窗口相關(guān)聯(lián)的錨點框標記序列號，Φ_p為與標定的行人窗口相關(guān)聯(lián)的錨點框標記。

2.根據(jù)權(quán)利要求1所述的基于分塊遮擋感知的行人檢測方法，其特征在于，在“基于預(yù)先構(gòu)建的行人檢測模型，并根據(jù)待測行人圖像，獲取每個預(yù)設(shè)的人體檢測區(qū)域?qū)?yīng)的圖像特征”之前，所述方法還包括：

對預(yù)設(shè)的訓(xùn)練圖像進行數(shù)據(jù)增廣處理，得到訓(xùn)練樣本；

對錨點框與所述訓(xùn)練樣本中的行人標注框進行匹配，并根據(jù)匹配結(jié)果將錨點框劃分為正樣本和負樣本；所述正樣本為與行人標注框匹配的錨點框，所述負樣本為與行人標注框未匹配的錨點框；

采用困難負樣本挖掘方法選取預(yù)設(shè)的第一數(shù)量的負樣本；

根據(jù)所述正樣本與所選取的負樣本計算損失函數(shù)值，并根據(jù)損失函數(shù)值更新所述Faster R-CNN神經(jīng)網(wǎng)絡(luò)；對更新后的Faster R-CNN神經(jīng)網(wǎng)絡(luò)重新進行網(wǎng)絡(luò)訓(xùn)練，直至其滿足預(yù)設(shè)的收斂條件。

3.根據(jù)權(quán)利要求2所述的基于分塊遮擋感知的行人檢測方法，其特征在于，所述FasterR-CNN神經(jīng)網(wǎng)絡(luò)還包括Fast R-CNN模塊；在“基于預(yù)先構(gòu)建的行人檢測模型，并根據(jù)待測行人圖像，獲取每個預(yù)設(shè)的人體檢測區(qū)域?qū)?yīng)的圖像特征”之前，所述方法還包括：

基于預(yù)設(shè)的訓(xùn)練圖像，按照下式所示的損失函數(shù)，對所述Fast R-CNN模塊進行網(wǎng)絡(luò)訓(xùn)練：

其中，為遮擋處理損失函數(shù)，α₃為第三超參數(shù)，λ為第四超參數(shù)。