[發明專利]一種結合頭部和整體信息的行人檢測方法

有效

• 申請號: 202110302808.5
• 申請日: 2021-03-22
• 公開（公告）號: CN112926500B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 陳勇;謝文陽;劉煥淋;黃美永;黃俊杰
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/56;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

本發明涉及一種結合頭部和整體信息的行人檢測方法，屬于目標檢測領域。首先，使用卷積神經網絡提取目標的特征信息并獲得多個具有不同分辨率以及激活程度的特征圖。其次，使用這些特征圖構建特征金字塔，通過融合不同子結構的輸出分別為行人頭部和整體檢測提供有針對性的特征信息。然后，在行人檢測的基礎上添加頭部檢測分支并從對應的特征圖中預測行人頭部和行人整體。最后，使用改進的非極大值抑制算法融合兩個分支的輸出并得到最終結果。本發明充分利用了行人的特征信息，有效提升了遮擋行人的檢測準確性。

技術領域

本發明屬于目標檢測領域，涉及一種結合頭部和整體信息的行人檢測方法。

背景技術

依據特征提取方式的差異可將行人檢測方法分為兩類：第一類為基于手工特征的檢測方法，此類方法采用預先設計的特征提取算子獲取特征信息；第二類為基于深度學習的檢測方法，此類方法采用自學習的方式獲取特征信息。

基于手工特征提取算子的檢測方法：首先，使用濾波器獲得圖像中目標的關鍵點信息，然后，計算每個關鍵點與其相鄰像素間的梯度值并生成統計直方圖，最后，使用SVM或Adaboost等分類器進行特征分類獲得圖像中的行人信息。此類方法能捕獲圖像中目標的局部特征進而對其外觀和形狀進行描述，其優點在于計算較為簡單且具有較好的檢測準確性，但該方法對遮擋行人的檢測效果不佳并且準確性遠遠無法滿足實際要求。自然場景中存在大量干擾因素如遮擋和光照變化等，由于行人自身的特點導致其容易被場景中的物體遮擋且行人與行人之間也會出現遮擋情況，而傳統方法捕獲的關鍵點一般是對其外觀形狀的描述，同時行人自身姿態也會產生很大變化，這些都會導致此類方法的檢測準確性出現大幅度下降。

基于深度學習的檢測方法：隨著計算機視覺以及大數據技術的飛速發展，以卷積神經網絡為代表的深度學習方法在此類任務中表現出優異的性能并逐漸取代傳統方法成為主流。其中，YOLO系列模型和R-CNN系列模型被廣泛采用并出現了許多改進版本。得益于卷積神經網絡優秀的特征描述能力，此類方法在檢測準確性上達到了相當高的水平且檢測速度也越來越快，但遮擋造成的檢測準確性降低的問題依然存在。

部分方法采用注意力機制使模型更多關注目標未被遮擋的有效部分，并引導模型對目標位置進行修正從而一定程度上減輕該問題造成的影響，但這種方式會增加計算量從而使檢測器的實時性能下降。除此之外，一些方法采用特征金字塔結構使用不同大小的特征圖進行檢測，從而提升模型對不同尺度行人的檢測準確性，但這類方法未能充分考慮網絡淺層對小尺度目標的激活程度較高這一特點，因而對于檢測準確性的提升依然不是十分明顯。一般行人檢測數據集使用矩形邊界框標注行人，該方式會引入大量背景像素從而在訓練階段影響模型對行人特征的學習。為解決該問題，一些方法使用頭部至底部的直線標注行人從而改善遮擋情況下的檢測性能，但是這種方式僅對行人與行人之間的遮擋問題有一定改善，對于被場景中物體所遮擋的行人檢測效果依然不理想。

發明內容

有鑒于此，本發明的目的在于提供一種結合頭部和整體信息的行人檢測方法。為了提升對遮擋行人的檢測準確性，該方法同時檢測行人頭部和整體并將兩者結合以增強行人的特征信息。另外，該方法通過引入網絡淺層特征圖的方式提升對小尺度目標的檢測準確率。通過構建具有多層結構的特征金字塔并融合不同子結構輸出的特征圖從而分別為頭部檢測和整體檢測提供針對性的特征信息。

為達到上述目的，本發明提供如下技術方案：

一種結合頭部和整體信息的行人檢測方法，該方法包括以下步驟：

S1：將數據集中的行人及其頭部矩形邊界框標簽轉換為中心點標簽，同時對圖像進行相應的預處理；

S2：基于深度卷積神經網絡搭建特征提取模塊獲取用于檢測的行人頭部和整體特征圖信息；

S3：構建包含頭部檢測和整體檢測兩個分支的檢測模塊，檢測模塊從特征圖中預測中心點位置、高度和偏移量信息，生成頭部邊界框和整體邊界框；