[發(fā)明專利]一種基于深度學(xué)習(xí)的夜間行人檢測算法

在審

• 申請?zhí)枺?/td>: 202210507603.5
• 申請日: 2022-05-11
• 公開（公告）號: CN115019340A
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 王宇;鄭雁文;朱迎梅
• 申請（專利權(quán)）人: 成都理工大學(xué)
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/22;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學(xué)習(xí)的夜間行人檢測算法，其特征在于，步驟如下：

步驟一、構(gòu)建夜間行人數(shù)據(jù)集；

步驟二、對YoloV4算法的網(wǎng)絡(luò)結(jié)構(gòu)進行改進，得到適用于行人檢測的改進YoloV4算法；

步驟三、使用夜間行人數(shù)據(jù)集訓(xùn)練算法模型；

步驟四、待檢測RGB圖像的大小設(shè)置為416*416，輸入到Zero-DCE網(wǎng)絡(luò)，進行光照增強；

步驟五、針對Zero-DCE網(wǎng)絡(luò)輸出的增強圖像，采用改進YoloV4網(wǎng)絡(luò)輸出最終的行人檢測結(jié)果，檢測結(jié)果包括待分類圖像中目標區(qū)域的位置以及對應(yīng)的類別，類別標注設(shè)置為person；

其中，改進YoloV4算法的網(wǎng)絡(luò)結(jié)構(gòu)包括特征提取主干網(wǎng)絡(luò)、SPP模塊、特征融合網(wǎng)絡(luò)、多分類器模塊。改進YoloV4算法中特征提取主干網(wǎng)絡(luò)是由兩個CSPDarknet53網(wǎng)絡(luò)共同組建的雙主干網(wǎng)絡(luò)(Double-CSPDarknet53)，網(wǎng)絡(luò)輸出特征圖大小分別為104*104、52*52、26*26、13*13；所述SPP模塊采用13*13大小的特征圖作為輸入，增強該特征圖的感受野；然后對YoloV4算法的特征融合網(wǎng)絡(luò)進行改進，增強不同輸出特征圖間的信息交互；最后，使用多分類器模塊對不同尺度的特征進行分類檢測，完成整個檢測過程。

2.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的夜間行人檢測算法，其特征在于：夜間行人數(shù)據(jù)集由NightOwls夜間行人數(shù)據(jù)集與手動拍攝的夜間道路行人圖片組成，共計5000張不同姿態(tài)，不同遮擋程度的夜間行人圖片。

3.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的夜間行人檢測算法，其特征在于：在進行行人檢測前，先使用Zero-DCE光照增強算法處理輸入圖像，解決在夜間場景下，因難以區(qū)分前景與背景，出現(xiàn)的檢測困難問題。

4.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的夜間行人檢測算法，其特征在于：所述的雙主干網(wǎng)絡(luò)結(jié)構(gòu)(Double-CSPDarknet53)是一種并行的特征提取網(wǎng)絡(luò)，將兩個CSPDarknet53網(wǎng)絡(luò)提取的特征進行融合，得到更好的特征表達。

所述CSPDarknet53網(wǎng)絡(luò)是由DaeknetConv2D_BN_Mish模塊以及五組Resblock_body模塊依次連接而成，從第二組Resblock_body模塊開始，直到第5組Resblock_body模塊，輸出特征圖大小依次為104*104、52*52、26*26、13*13。

5.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的夜間行人檢測算法，其特征在于：所述SPP模塊包含4個池化核大小分別為13*13、9*9、5*5、1*1的并行的最大池化層。所述SPP模塊的作用是對改進特征提取網(wǎng)絡(luò)中大小為13*13的輸出特征圖的感受野進行增強，不同池化核會得到不同感受野的特征圖，然后將4個處理后的特征圖再去通道維度進行拼接，得到SPP模塊輸出特征圖。