[發明專利]一種基于特征平衡和關系增強的人體檢測方法

在審

• 申請號: 202010634855.5
• 申請日: 2020-07-03
• 公開（公告）號: CN111783683A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 安玉山
• 申請（專利權）人: 北京視甄智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京一枝筆知識產權代理事務所(普通合伙) 11791
• 代理人: 張慶瑞

1.一種基于特征平衡和關系增強的人體檢測方法，其特征在于，具體步驟包括：

步驟1、對檢測模型進行模型預訓練，得到對人體特有特征的提取能力和敏感程度更優的檢測模型；

步驟2、對檢測模型進行多尺度特征融合，得到多尺度特征金字塔；

步驟3、對多尺度特征融合后的圖像特征進行圖像特征的關系增強，得到關系增強后的融合特征；

步驟4、基于先前融合并增強后的特征結果，對檢測模型的特征進行多尺度特征重分配；

步驟5、對檢測模型中的真實樣本框數據采用負樣本采樣和正樣本采樣方法進行平衡采樣；

步驟6、根據調整后的特征金字塔，對不同尺度的人體分別在不同層級上的特征用檢測模型進行預測和訓練。

2.根據權利要求1所述的一種基于特征平衡和關系增強的人體檢測方法，其特征在于，所述步驟1具體步驟包括：

步驟1.1、采用龐大的通用物體檢測數據集對檢測模型進行首輪預訓練，得到泛化特征提取能力更高的檢測模型；

步驟1.2、完成首輪預訓練后，調整檢測模型頂層結構；

步驟1.3、通過混入通用場景下包含人體目標的樣本進行二次預訓練，得到對人體特有特征的提取能力和敏感程度更優的檢測模型。

3.根據權利要求2所述的一種基于特征平衡和關系增強的人體檢測方法，其特征在于，所述步驟2具體步驟包括：

步驟2.1、選取合適的中間尺度，其中，中間尺度的選取規則為：特征金字塔層數為n時，選擇第floor(n/2)(向下取整)層特征的尺度作為中間尺度；

步驟2.2、使用雙線性插值對檢測模型進行圖像縮放，得到保留原特征中盡可能多的信息的特征金字塔；

步驟2.3、在通道上簡單疊加，融合得到包含所有層級信息的新特征圖；

步驟2.4、使用額外的模塊將新特征圖的通道數量壓縮到融合前的通道數量，得到融合后的多尺度特征金字塔。

4.根據權利要求3所述的一種基于特征平衡和關系增強的人體檢測方法，其特征在于，所述步驟2.2的具體步驟包括：

步驟2.2.1、設置相關參數，其中，相關參數包括中心值需要乘以的系數；

步驟2.2.2、利用待求像素的四個相鄰像素的灰度在兩個方向上進行線性內插，依據f(i，j)到f(i，j+1)的灰度變化為線性關系得到：

對于(i,j+v)，f(i,j+v)＝[f(i,j+1)-f(i,j)]×v+f(i,j)，

對于(i+1,j+v)，f(i+1,j+v)＝[f(i+1,j+1)-f(i+1,j)]×v+f(i+1,j)；

步驟2.2.3、依據f(i，j+v)到f(i+1，j+v)的灰度變化也為線性關系，得出雙線性插值的像素灰度值：

5.根據權利要求4所述的一種基于特征平衡和關系增強的人體檢測方法，其特征在于，所述步驟3中關系增強的具體方法包括，使用訓練過程中的關系衡量函數推導得出，256的一維向量H與256的一維向量G之間的關系衡量函數值為：進而得到關系增強后的融合特征F_m′為：其中，α、β為訓練中可學習的參數，F_m表示融合后的特征，256的一維向量H為人體實例的池化后特征，256的一維向量G為周邊某區域的池化后特征。

6.根據權利要求5所述的一種基于特征平衡和關系增強的人體檢測方法，其特征在于，所述步驟4包括：

步驟4.1、將融合并增強后的特征F_m′進行相應的放縮操作；

步驟4.2、對于原有尺度小于融合后中間尺度的特征，采用池化層進行下采樣；

步驟4.3、對于原有尺度大于融合后中間尺度的特征，采用雙線性插值進行上采樣；

步驟4.4、對于原有尺度等于融合后中間尺度的特征，采用不改變大小的卷積層進行調整。