[發明專利]結合ResNet和SENet的低分辨率行人檢測方法、系統及存儲介質

有效

• 申請號: 201811403739.1
• 申請日: 2018-11-23
• 公開（公告）號: CN109522855B
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 趙清利;梁添才;金曉峰;徐天適
• 申請（專利權）人: 廣州廣電銀通金融電子科技有限公司;廣州廣電運通金融電子股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 林梅繁

本發明涉及圖像處理技術，具體為低分辨率行人檢測方法、系統及存儲介質。本發明方法包括訓練過程和測試過程，訓練過程首先確定訓練集、訓練過程的參數；然后按批處理大小依次輸入圖片，提取訓練圖片的多尺度特征，并對淺層特征進行重構和增強，形成新的多尺度檢測框架；最后進行框的分類和位置的回歸，計算訓練損失并反向傳播，更新權重參數。測試過程首先是確定測試集，將訓練過程得到的模型作為算法的測試模型，依次小批量輸入測試圖片、提取多尺度特征、對淺層特征進行重構和增強，然后進行框的分類和位置的回歸。本發明采用深度學習網絡，對淺層特征進行重構，同時提高淺層特征的有效性，以增強對低分辨率行人的檢測能力。

技術領域

本發明涉及圖像處理技術，具體為一種低分辨率行人檢測方法、系統及存儲介質。

背景技術

行人檢測是判斷目標圖像或者視頻中是否存在行人，如果有則需要對檢測出的行人進行精確定位。行人檢測作為計算機視覺中一個極具挑戰性的研究熱點，它在智能交通、視頻監控、機器人開發等領域具有重要的應用。因此，研究高性能的行人檢測系統具有重要的研究意義與重大的應用價值。

近幾年深度學習的火熱帶動了行人檢測技術的發展，行人檢測逐漸由傳統方法轉向使用深度學習方法來進行，深度學習方法在檢測速度與實時性方面都有一個很大的突破。

深度學習方法主要分為一步檢測法與兩步檢測法，相比于兩步檢測法，一步檢測能夠將特征提取與特征分類進行統一，實現端到端的檢測。2016年Wei Liu等人在ECCV會議上發表論文《SSD:Single Shot MultiBox Detector》，所提出的SSD算法作為一步檢測法的代表，使用多尺度檢測框架提取行人不同層次的特征，實現多尺度檢測，在提高檢測精度的同時滿足算法檢測的實時性。行人檢測算法的優化得益于深度學習網絡的發展和完善，如2015年Kaiming He等人提出的ResNet(Residual Network)通過增加網絡的層數并使用殘差結構來提升網絡特征提取的能力，2017年Jie Hu等人提出的SENet(Squeeze andExcitation Network)通過顯式地建模通道之間的相互依賴關系，自適應地重新校準通道的特征響應，能夠增強網絡特征的有效性。

由于人距離拍攝的相機有遠近之分，人的身材也有高矮之別，因此，即使在同一張圖像里，行人的分辨率大小往往也會相差很大。當攝像頭的視角很大時，遠處行人的分辨率變得很低，行人本身變得十分模糊。低分辨率行人不好檢測主要是因為行人包含的有效信息十分有限，再加上各種噪聲的干擾，使得低分辨率行人的檢測變得十分困難。

現階段的低分辨率行人檢測方法大部分是在現有算法的基礎上進行修改，使其針對低分辨率行人進行檢測。目前國內外沒有專門針對低分辨率行人的數據庫，針對低分辨率行人檢測的研究較少，低分辨率行人的檢測效果并不理想，限制了行人檢測的應用。

現有SSD算法對低分辨率行人檢測不夠魯棒，主要存在以下三個方面的問題：

(1)內置網絡的特征提取能力

SSD算法內置網絡采用VGG16(Visual Geometry Group 16)，VGG網絡于2014年提出，通過加深網絡層數及減小卷積核的大小來提升網絡特征提取的能力。VGG16網絡雖然包含了16層，但是其網絡的深度還是不夠，提取信息的能力有限。

(2)淺層網絡的檢測能力

SSD算法采用多尺度框架來進行行人檢測，使用淺層網絡來提取低分辨率行人的特征，使用深層網絡來提取高分辨率行人的特征，從而實現多個分辨率尺度的行人檢測。然而淺層網絡提取的是一些低層次的特征，語義區分性比較差，不能較好地表示行人。

(3)淺層網絡特征的有效性