[發明專利]一種特征圖深度融合的人車目標檢測方法

有效

• 申請號: 201911055857.2
• 申請日: 2019-10-31
• 公開（公告）號: CN111008562B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 魏運;高國飛;陳明鈿;鄭宣傳
• 申請（專利權）人: 北京城建設計發展集團股份有限公司
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

一種針對行人與車輛的特征圖深度融合的人車目標檢測方法，實現對行人與車輛目標的實時檢測。現有的目標檢測方法，在受到背景、天氣等因素的影響下，檢測的效果表現不好，特征難以被充分提取，使得漏檢和誤檢較為嚴重。針對以上問題,本發明提出了能夠針對真實道路場景和地鐵行人進行人車目標檢測,且準確率和速度較以往檢測方法有所提升的高效檢測網絡DF?Net。本發明首先利用行人與車輛數據庫設計并訓練深度學習網絡，基礎網絡由不同尺寸的卷積層和最大池化層組成，在這個基礎上對特征金字塔頂層的特征圖進行上采樣并與底層特征圖進行通道合并，將深層和淺層的信息深度融合，提高特征圖信息的有效利用進而提高模型檢測的準確率。

技術領域：

本發明屬于計算機視覺、目標檢測領域，更具體地，針對行人與車輛的特征圖深度融合的高效目標檢測方法。

技術背景：

隨著科技的不斷進步，計算機計算能力地增強，越來越多的基于深度學習的目標檢測方法被應用到行人和車輛檢測中。在已公開的方法中不乏檢測精度非常高的網絡結構，但他們普遍的問題就是檢測耗時嚴重，甚至不能做到實時檢測。本發明革新了傳統方法檢測速度慢且準確度不高的現狀，是對檢測手段的智能化升級，也是智慧城市的重要體現所在。

國內外很多大學和科研機構也均對行人和車輛檢測進行過研究，并取得了一定的研究成果。目前針對行人和車輛的目標檢測方法主要有兩種，一種是基于計算機視覺的處理方法，另一種是基于激光雷達的算法。相對雷達設備來說，基于計算機視覺的處理方法具有成本低、易實現且適用范圍廣的優點，因此，基于計算機視覺的處理方法得到了更普遍的應用。傳統基于機器視覺的目標檢測算法主要是通過人為構建目標特征(如HOG、SIFT、Haar等)，并構造相應的分類器(如SVM、DPM、Adaboost等)，通過滑窗法來預測具有較高得分的邊界框，典型代表包括HOG+SVM組合的方法及DPM算法。現在已經有許多深度學習算法被應用于行人檢測，如Faster?R-CNN、SSD、Yolo系列等，采用特征自動提取的方式，在特定場景下取得了較好的檢測效果。但現有深度學習算法對行人特征的表征仍然十分有限，在密集行人場景中，行人因遮擋而導致局部信息不完整，特征難以被充分提取，使得漏檢和誤檢較為嚴重。

由于視頻圖像包含的信息比較豐富，可以全面獲取人流量和車流量的數量和稠密程度、人車分布位置、人車流向、人車所處的區域環境等重要的信息，使得基于視頻圖像分析的方法成為國內外研究的熱點。并且，隨著越來越多監控攝像頭尤其是高清監控攝像頭的普及，基于視頻圖像分析的人車目標檢測方法將會得到更加廣泛的應用和推廣。在一些實際應用中，尤其是環境復雜或高密度人車流量情況下，往往檢測精度不是很高。而基于激光掃描的方法抗干擾能力較強且檢測精度較高，但激光掃描檢測手段僅僅能實現斷面行人的檢測，不適應開放空間的區域檢測，無法實現對客流狀態及分布信息的獲取，且設備價格較高，應用場景收到較大的限制，不便于普遍推廣。

綜上，為了進一步提高人車檢測的精度，就需要對局部信息缺失的人車進行更充分的特征提取、對局部人車與全局場景信息更加合理的利用以及研究新的更具魯棒性的特征表征方式。

發明內容：

現有的目標檢測方法，在受到背景、天氣等因素的影響下，檢測的效果表現不好，特征難以被充分提取，使得漏檢和誤檢較為嚴重。

針對以上問題,本發明提出了能夠針對真實道路場景和地鐵行人等進行人車目標檢測方法,且準確率和速度較以往檢測方法有所提升的高效檢測網絡DF-Net。

本發明首先利用行人與車輛數據庫設計并訓練深度學習網絡。基礎網絡由不同尺寸的卷積層和最大池化層組成，在這個基礎上對特征金字塔頂層的特征圖進行上采樣并與底層特征圖進行通道合并，將深層和淺層的信息深度融合，提高特征圖信息的有效利用進而提高模型檢測的準確率。具體來說：

一種特征圖深度融合的高效人車目標檢測方法，本方法的檢測網絡DF-Net由分類網絡和檢測回歸網絡組成。本方法的步驟包括：

1)采集行人和車輛的圖像；