[發明專利]一種基于單像素特征放大的安全帽檢測方法及其應用

有效

• 申請號: 202011282208.9
• 申請日: 2020-11-16
• 公開（公告）號: CN112464765B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 姜麗芬;周雍恒;孫華志;馬春梅;梁妍;馬建揚
• 申請（專利權）人: 天津師范大學
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/40;G06V10/80;G06V10/764;G06V10/774
• 代理公司: 天津創智睿誠知識產權代理有限公司 12251
• 代理人: 王融生

1.一種基于單像素特征放大的安全帽檢測方法，其特征在于，包括以下步驟：

步驟1，對安全帽數據集進行預處理增強，得到預處理增強的樣本數據；

步驟2，從步驟1得到的預處理增強的樣本數據中，通過Efficientnet-b0網絡抽取到目標的特征表示形式，得到主干網絡特征；

步驟3，使用單像素特征放縮模塊對步驟2得到的主干網絡特征進行特征過濾，增強特征中的前景元素，得到新的特征值；所述新的特征值通過以下步驟獲得：將主干網絡特征進行一次空間注意力的增強，得到前景元素的主要區域，即注意力增強特征，在注意力增強特征中，先通過計算各個像素對整體特征的貢獻能力，再依據貢獻值的大小得到特征貢獻圖，對不同的像素進行放縮控制，得到放縮之后的特征；

步驟4，通過BiFPN特征融合模塊對所述步驟3得到的新的特征值進行多尺度特征融合操作，得到融合之后的特征；

步驟5，將步驟4得到的融合之后的特征輸入到目標預測網絡，對目標進行分類和定位。

2.如權利要求1所述的一種基于單像素特征放大的安全帽檢測方法，其特征在于，所述步驟1中的預處理包括以下步驟：

步驟1.1，使用水平翻轉方法擴充安全帽數據集，使得安全帽數據集中的每張樣本都有正反兩種形式的樣本數據；

步驟1.2，在樣本數據中隨機插入噪聲，提升樣本的復雜度，在數據層面提升方法的魯棒性。

3.如權利要求1所述的一種基于單像素特征放大的安全帽檢測方法，其特征在于，所述步驟2中Efficientnet-b0主干特征層的選擇時，選擇最頂上的三層特征、一個下采樣層特征和低一層的特征；

主干網絡特征通過以下方法抽?。?/p>

步驟2.1，在Efficientnet-b0提取之后的特征圖中，對于高層的不同分辨率的特征層都擁有兩個特征層，一個低層特征X1和一個高層特征X2；

步驟2.2，對于同分辨率的特征層，本方法只選用上述高層特征X2作為后續計算的特征表示。

4.如權利要求1所述的一種基于單像素特征放大的安全帽檢測方法，其特征在于，所述步驟3中的新的特征值通過以下步驟獲得：

步驟3.1，將主干網絡特征f使用一次簡單的空間注意力計算，得到注意力增強特征F，如公式(1)，

其中max為最大池化，mean為平均池化，v是一次7*7的卷積計算，和S代表Rule和Sigmoid操作，f_i為初始特征，f為主干網絡特征；

步驟3.2，在獲得注意力增強特征F之后，對注意力增強特征F進行像素級別的特征放大操作，首先計算各像素點對特征圖的貢獻值，再依據貢獻值的大小，得到特征貢獻圖，對特征元素進行主次元素的放縮，具體如下：

其中，C_i表示第i個通道的特征值，n_i為放縮值，f_i為初始特征，H和W是特征圖的高和寬，S為Softmax函數，首先通過S求出單個通道特征的Softmax分數值，該分數表示每個像素位置對該通道整體特征的貢獻值，再與該通道單像素的平均貢獻值1/(H×W)進行比較，該貢獻值若大于平均貢獻值則將縮放值置為n_i，若小于平均貢獻值則將縮放值置為(1-n_i)，最終得到一個特征貢獻圖；

步驟3.3，所述特征貢獻圖與輸入特征C_i進行點乘操作，得到放縮特征，最后再引入一個殘差結構，將初始特征f_i與之相加得到新的特征值，用于多尺度模塊的特征融合。

5.如權利要求1所述的一種基于單像素特征放大的安全帽檢測方法，其特征在于，所述步驟4中的多尺度特征融合操作方法為：將經過單像素放縮模塊增強之后的新的特征值輸送到BiFPN特征融合模塊，由BiFPN特征融合模塊對不同層級的不同尺寸的特征進行特征融合，補償由于下采樣而丟失的信息。

6.如權利要求5所述的一種基于單像素特征放大的安全帽檢測方法，其特征在于，在BiFPN特征融合模塊中，使用三層跨鏈接操作維持主干網絡中的原始特征得到傳遞，并由控制因子控制不同特征之間的占比。