[发明专利]一种监控场景下融合上下文信息的行人位置检测方法

说明书

技术领域

本发明涉及基于视频监控场景下的行人位置检测领域，尤其涉及一种监控场景下融合上下文信息的行人位置检测方法。

背景技术

随着计算机硬件设备和视觉技术的不断发展，基于视频监控场景下的行人位置检测作为智慧城市的重要组成部分，越来越引起社会和工业界的广泛关注。但是，由于光照、视角、姿态等因素的影响，监控场景下的行人位置检测仍然是一个具有挑战性的任务。

当前，根据获取行人特征方式的不同，行人位置检测方案主要分为两大类：基于手工特征的行人位置检测和基于深度特征的行人位置检测。

基于手工特征的行人位置检测主要指利用传统图像处理方法提取行人特征，并设计分类器进行特征分类，例如，HOG特征、DOT特征、HOG+LBP联合特征等等。该类行人位置检测获取刻画行人的特征通常属于低层特征，判别能力不强，导致无法消除监控场景中光照变化和视角变换对行人位置检测的影响。

基于深度特征的行人位置检测主要指利用卷积神经网络(Convolutional Neural Network，简称CNN)提取刻画行人特征，并采用神经网络区分行人和背景。虽然该类行人位置检测能够从大量的样本中学习具有判别能力的行人特征，但由于该类方案没有利用场景的上下文信息，导致行人位置检测的准确度难以达到监控场景的需求。

针对上述已有行人位置检测方案的不足，本方案提出了一种新的融合上下文信息的监控场景下行人位置检测方法，该系统通过在卷积神经网络中增添特殊的卷积层，选择性地学习上下文信息，提高了监控场景中行人位置检测的准确度。相较于现有检测方法，本申请充分利用了上下文信息，从而进一步提高了监控场景下行人位置检测的准确性。

发明内容

本发明的目的在于提供一种监控场景下融合上下文信息的行人位置检测方法，能够选择性地学习上下文信息，解决了传统的行人位置检测方法中由于没有考虑上下文信息而导致的检测结果不准确的问题。

为了实现上述目的，本发明采用以下技术方案：

一种监控场景下融合上下文信息的行人位置检测方法，包括以下步骤：

步骤A：提取输入图像的卷积神经网络特征；

步骤B：将监控场景的上下文信息融入到卷积神经网络中，生成关于行人位置的掩码图z；

步骤C：对掩码图z进行后处理，估计包含行人位置的边界框。

所述的步骤A包括以下步骤：

步骤A1：定义输入图像为x⁰，将其表示为其中，和分别表示图像x⁰在RGB空间的三通道图；则第l个卷积层的第j个特征图计算方式如下：

其中，l表示卷积层的索引，l＝1,2,3,4,5；M^l表示第l个卷积层特征图的数目，M¹＝96、M²＝256、M³＝384、M⁴＝384、M⁵＝256；表示相邻卷积层特征图的连接关系；表示卷积操作；与分别表示卷积核和偏移；

步骤A2：第l个卷积层的第j个特征图通过第l个卷积层的池化层和非线性层得到输入图像x⁰在第l个卷积层获取的j张特征图其中，j＝1,...,256；

输入图像x⁰在第l个卷积层获取的j张特征图表示为：

其中，g(·)表示对进行局部响应归一化处理，f(·)表示激活函数，f(·)采用不饱和非线性

函数：

因此，卷积神经网络对输入图像x⁰在第五个卷积层获取了256张特征图j＝1,...,256。

所述的步骤B包括以下步骤：

步骤B1：在第一卷积层中，设置五张特征图，分别为一张包含行人信息的特征图y^p和四张不同的包含上下文信息的特征图其中q＝1,...,4；各个特征图按照以下方式进行计算：

其中，和均表示卷积核，分别用来学习行人信息和行人周围上下文信息(本系统中和大小分别取值为7×3和3×3)，b^p和表示偏置量，函数f(g)采用ReLU激活函数，即f(x)＝max(x,0)，表示无边界损失的卷积操作；