[发明专利]基于一步法的高精度行人检测方法、系统、装置

说明书

本发明属于图像处理与模式识别技术领域，具体涉及了一种基于一步法的高精度行人检测方法、系统、装置，旨在解决现有技术在复杂场景下无法兼顾行人检测效率与精度的问题。本发明包括：基于一步法ALFNet构建行人检测模型，定义锚点框尺寸并关联网络层、定义窗口回归目标以及锚点框匹配方法；对训练图像进行增广和困难样本挖掘，并通过软标签生成训练样本；依次通过训练样本训练行人预测模型直至模型收敛或训练次数达到设定值；将待检测行人图像输入模型进行前传计算，并通过基于余弦的非极大值抑制方法滤除重复预测的冗余行人预测窗口，获得最终行人检测标注图。本发明在复杂场景下，行人检测效率高、精度高，模型鲁棒性好，适用范围广。

背景技术

行人检测是一种利用计算机视觉技术对图像或视频序列中出现的所有行人使用矩形框进行精准定位的技术，在基于行人的计算机视觉、模式识别等领域有着极为广泛的应用，例如自动驾驶，视频监控和生物特征识别等。并且对于大部分与行人相关的应用，都首先要求对行人进行精确的检测。

在实际应用场景中，行人的高效检测问题是目前行人检测算法所面临的最大挑战之一。现有的高精度行人检测算法都是基于二步法检测器Faster R-CNN进行扩展得到的，这类方法虽然拥有较高的检测精度，但算法效率较差，无法满足实际应用的实时性需求。另一方面，一步法检测器如SSD虽然拥有较好的实时性，但单阶段的回归方式无法很好地解决因背景信息复杂而带来的错检、漏检问题，特别是对于存在大量遮挡情况的行人应用场景，检测算法的检测精度更是差强人意。因此针对复杂场景下的行人检测问题，设计出高效且精确的行人检测算法仍是一个核心研究难点，有着极为广泛的研究意义和实用价值。针对该问题，尽管有着一系列研究工作致力于提升行人检测算法在复杂场景下的检测精度，但这些工作的核心重点都是在于提升遮挡场景下的行人检测精度，且模型架构仍然是基于二步法Faster R-CNN，依然没有从本质上解决行人检测算法效率低下的问题。设计出高精度的实时行人检测算法以满足实际的行人应用需求，仍需要更多的探索和研究。

总的来说，行人检测方法中基于二步法检测器的检测方法效率较差，无法满足实际应用中的实时性需求，而基于一步法检测器的检测方法无法解决因背景信息复杂带来的错检、漏检问题，检测精度低。

发明内容

为了解决现有技术中的上述问题，即现有技术在复杂场景下无法兼顾行人检测效率与精度的问题，本发明提供了一种基于一步法的高精度行人检测方法，该高精度行人检测方法包括：

步骤A10，通过训练好的行人检测模型对获取的待检测行人图像进行前传计算，获取带行人标注框的图像；

步骤A20，基于所述带行人标注框的图像，通过基于余弦的非极大值抑制方法滤除重复的冗余行人标注框，获得行人检测标注图像；

其中，所述行人检测模型基于一步法ALFNet构建，并通过基于软标签的样本训练后进行模型测试，其方法为：

步骤S10，基于一步法ALFNet构建行人检测模型，定义所述行人检测模型中锚点框尺寸并关联网络层、定义所述行人检测模型中窗口回归目标以及定义所述行人检测模型中锚点框匹配方法；

步骤S20，依次基于获取的训练样本集合中每一个样本，对所述行人检测模型训练直至模型收敛或达到预设训练次数，获得训练好的行人检测模型。

在一些优选的实施例中，步骤S10中“定义所述行人检测模型中锚点框尺寸并关联网络层”，其方法为：

定义四个锚点框，并分别将所述锚点框依次与所述行人检测模型的conv4_3层、conv5_3层、conv6_3层、conv7_3特征层关联。

在一些优选的实施例中，所述四个锚点框，其尺度分别为：分别为：

(16,24)、(32,48)、(64,96)、(128,192)。

在一些优选的实施例中，所述行人检测模型中窗口回归目标为集中式IoU回归损失函数；