[發(fā)明專利]一種加強(qiáng)SSD小目標(biāo)行人檢測性能的網(wǎng)絡(luò)結(jié)構(gòu)及檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811474112.5
• 申請(qǐng)日: 2018-12-04
• 公開（公告）號(hào): CN109800628B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 胡永健;陳奇華;劉琲貝;王宇飛
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V20/40;G06V20/52;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 王東東

本發(fā)明公開了一種加強(qiáng)SSD小目標(biāo)行人檢測性能的網(wǎng)絡(luò)結(jié)構(gòu)，包括：預(yù)處理模塊、基礎(chǔ)網(wǎng)絡(luò)模塊、附加特征提取模塊、兩級(jí)特征融合模塊、分類和回歸模塊。本發(fā)明還公開了一種加強(qiáng)SSD小目標(biāo)行人檢測性能的檢測方法，其特征在于，包括以下步驟：獲取用于小目標(biāo)行人檢測的訓(xùn)練樣本集并轉(zhuǎn)換格式；初始化訓(xùn)練模型，對(duì)訓(xùn)練樣本進(jìn)行預(yù)處理；提取樣本的淺層特征和深層特征，將深層特征的信息融合到淺層特征中，形成多尺度檢測框架；進(jìn)行網(wǎng)絡(luò)參數(shù)的迭代更新；完成網(wǎng)絡(luò)訓(xùn)練后進(jìn)行測試。本發(fā)明在SSD算法的基礎(chǔ)上引入了兩級(jí)特征融合模塊，有效利用了特征層之間的上下文信息，使深層網(wǎng)絡(luò)信息能夠較好地融合到淺層網(wǎng)絡(luò)中，加強(qiáng)了SSD算法對(duì)小目標(biāo)行人的檢測性能。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)及行人檢測領(lǐng)域，特別涉及一種加強(qiáng)SSD小目標(biāo)行人檢測性能的網(wǎng)絡(luò)結(jié)構(gòu)及檢測方法。

背景技術(shù)

行人檢測是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要研究分支，主要任務(wù)是判斷輸入的圖像或視頻序列中是否出現(xiàn)行人，并確定其位置。行人檢測技術(shù)廣泛地應(yīng)用于視頻監(jiān)控、車輛輔助駕駛、智能機(jī)器人等多個(gè)領(lǐng)域。

近年來，深度學(xué)習(xí)方法在目標(biāo)檢測上取得了重大的突破，展現(xiàn)出比傳統(tǒng)方法更強(qiáng)大的檢測能力。行人檢測作為一種特定的目標(biāo)檢測任務(wù)，也獲益于深度學(xué)習(xí)技術(shù)的快速發(fā)展。相比于傳統(tǒng)的檢測方法，深度學(xué)習(xí)方法可以從訓(xùn)練數(shù)據(jù)中自主地學(xué)習(xí)行人的特征，并且可以實(shí)現(xiàn)端到端的檢測。2014年Ross?Girshick等人在歐洲計(jì)算機(jī)視覺會(huì)議(ECCV)上發(fā)表論文《Rich?feature?hierarchies?for?accurate?object?detection?and?semanticsegmentation》，首次將深度學(xué)習(xí)引入目標(biāo)檢測領(lǐng)域，相比于傳統(tǒng)檢測方法，大幅提高了在PASCAL?VOC數(shù)據(jù)集上的檢測準(zhǔn)確率。2016年發(fā)表于計(jì)算機(jī)視覺和模式識(shí)別會(huì)議(CVPR)上的論文《You?Only?Look?Once:Unified,Real-Time?Object?Detection》提出了YOLO算法，不需要區(qū)域建議過程，可以達(dá)到實(shí)時(shí)檢測，但是檢測精度偏低。2016年Wei?Liu等人在ECCV會(huì)議上發(fā)表論文《SSD:Single?Shot?MultiBox?Detector》，所提出的SSD算法也屬于無區(qū)域建議的方法，利用多尺度檢測思想，在提高檢測精度的同時(shí)滿足了實(shí)時(shí)性。然而，當(dāng)目標(biāo)尺度較小時(shí)，以上眾多經(jīng)典深度學(xué)習(xí)方法的檢測效果并不理想。這是因?yàn)樾∧繕?biāo)分辨率較低，能被提取的目標(biāo)特征有限，且更容易受到噪聲干擾造成漏檢，此外，小目標(biāo)需要的搜索深度更大，檢測速度受到影響。因此，遠(yuǎn)距離下小目標(biāo)行人的檢測是一個(gè)有待解決的技術(shù)難點(diǎn)。

SSD算法作為目標(biāo)檢測領(lǐng)域中的一種經(jīng)典深度學(xué)習(xí)方法，采用了多尺度檢測框架，但是該算法主要依靠Conv4_3層來檢測小目標(biāo)，Conv4_3層屬于低級(jí)特征，語義區(qū)分性較差，存在特征提取不充分的問題，因此SSD算法對(duì)小目標(biāo)的檢測效果較差。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種加強(qiáng)SSD小目標(biāo)行人檢測性能的網(wǎng)絡(luò)結(jié)構(gòu)及檢測方法，此網(wǎng)絡(luò)結(jié)構(gòu)及檢測方法可顯著提高對(duì)小目標(biāo)行人的檢測性能。

本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：

一種加強(qiáng)SSD小目標(biāo)行人檢測性能的網(wǎng)絡(luò)結(jié)構(gòu)，包括：

預(yù)處理模塊，用于統(tǒng)一樣本尺寸和樣本擴(kuò)增；

基礎(chǔ)網(wǎng)絡(luò)模塊，用于提取樣本的淺層特征；

附加特征提取模塊，用于提取樣本的深層特征；

兩級(jí)特征融合模塊，用于將深層特征與淺層特征融合；

分類和回歸模塊，用于計(jì)算損失，實(shí)現(xiàn)分類和行人框的回歸。

此網(wǎng)絡(luò)結(jié)構(gòu)是在SSD算法網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行改進(jìn)，引入兩級(jí)特征融合策略，通過引入兩級(jí)特征融合模塊把深層網(wǎng)絡(luò)的特征融合到淺層網(wǎng)絡(luò)的特征中，以提升淺層特征的表示能力，增強(qiáng)對(duì)小目標(biāo)行人的檢測性能。