[发明专利]红外夜视图像行人检测方法、电子设备及存储介质

权利要求书

1.一种红外夜视图像行人检测方法，其特征在于，包括以下步骤：

步骤1，采集预设场景下的行人图像，并对所述预设场景下的行人图像进行预处理，形成训练集；

步骤2，构建行人检测网络模型，所述行人检测网络模型包括Shufflenet-v2算法的骨干网络、特征融合模块以及检测头部；

步骤3，采用所述训练集的图像对所述行人检测网络模型进行训练，优化所述行人检测网络模型的网络参数。

2.根据权利要求1所述的红外夜视图像行人检测方法，其特征在于，在所述行人检测网络模型中，通过Quality Focal Loss(QFL)对所述预设场景下的行人图像的分类或者质量分数约束。

3.根据权利要求1所述的红外夜视图像行人检测方法，其特征在于，在所述行人检测网络模型中，通过Distribution Focal Loss(DFL)对所述预设场景下的行人图像的边界框回归约束。

4.根据权利要求2所述的红外夜视图像行人检测方法，其特征在于，Quality FocalLoss(QFL)的约束函数为：

QFL(x)＝-|y-x|^β((1-y)log(1-x)+ylog(x))；

其中x为经过sigmoid激活的置信度，y为预测目标，当行人图像为负样本时，y值为0；行人图像为正样本时，y值表示样本对应的IoU值。

5.根据权利要求3所述的红外夜视图像行人检测方法，其特征在于，DistributionFocal Loss(DFL)的约束函数为：

DFL(S_i,S_i+1)＝-((y_i+1-y)log(S_i)+(y-y_i)log(S_i+1))；

其中，S_i和S_i+1则分别表示预测目标y落在对应预测区间[y_i,y_i+1]的概率。

6.根据权利要求1所述的红外夜视图像行人检测方法，其特征在于，所述骨干网络包括多个子模块，所述子模块的卷积层采用深度可分离卷积，深度可分离卷积由深度卷积和逐点卷积组成。

7.根据权利要求6所述的红外夜视图像行人检测方法，其特征在于，当输入图片的尺寸为D_F×D_F×M，卷积核尺寸为D_K×D_K×M,输出的图片的尺寸为D_F×D_F×N,利用所述深度可分离卷积对输入的图片进行卷积包括以下步骤:

S101，利用所述深度卷积对M组的特征进行逐通道的卷积操作,得到深度卷积中的参数量为(D_K×D_K×1)×M；

S102，利用所述逐点卷积转换通道，得到所述逐点卷积的参数量为(1×1×M)×N。

8.根据权利要求7所述的红外夜视图像行人检测方法，其特征在于，所述子模块包括一基础模块以及一下采样模块，所述基础模块的结构按计算单元处理顺序为：

通道分离器，用于将输入图像的特征分离；

第一卷积层采用标准卷积，卷积核大小为1*1；

第二卷积层采用深度可分离卷积，卷积核大小为3*3，所述第一卷积层与所述第二卷积层通过激活函数连接；

第三卷积层为标准卷积，卷积核大小为1*1，所述第二卷积层通过批量归一化后得到所述第三卷积层；

串接器，用于将所述通道分离器分离后的特征通道重新串接在一起；

通道重组器，用于将所述串接器串接的特征通道重组。

9.根据权利要求1所述的红外夜视图像行人检测方法，其特征在于：所述特征融合模块采用两层特征融合的方式，所述检测头部包括多层特征金字塔，多个所述特征金字塔共享两层卷积。