[发明专利]一种基于头部和可见区域线索的遮挡行人检测方法

权利要求书

1.一种基于头部和可见区域线索的遮挡行人检测方法，其特征在于，该方法包括如下步骤：

主干网络采用残差网络ResNet50和特征金字塔网络FPN，主干网络输出多尺度特征金字塔；

多尺度特征金字塔经过锐化特征响应区域推荐网络SRPN，输出行人全身RoIs和头部RoIs；

全身RoIs经池化获得的特征进入全身检测分支，可见区域引导注意力模块VGA基于此特征估计全身矩形框中的行人可见区域概率图，然后采用点乘的方式对原特征进行优化，抑制遮挡物体噪声特征同时增强行人可见区域特征后输入给Fast RCNN进行检测，输出全身检测结果；

头部RoIs经池化获得的池化特征则输入给头部级联检测分支，该分支包括头部级联检测网络HRCNN，该网络分阶段的逐步从头部检测框得到可见区域检测框，最后得到行人全身检测框；

对全身检测分支和头部级联检测分支输出的全身检测结果使用Soft-NMS进行后处理。

2.如权利要求1所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，所述锐化特征响应区域推荐网络SRPN包括两个相同的生成模块用于输出全身和头部RoIs；生成模块包含一个3×3×256卷积层，三个平行的1×1×256卷积层分别输出目标中心概率图、尺度估计图、中心偏移图；基于上述输出的中心得分、尺度和中心偏移通过RoIs转换转换为目标外接矩形框，经过NMS后处理之后获得最终的感兴趣区域，输出全身RoIs或头部RoIs。

3.如权利要求2所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，所述SRPN在FPN输出的P3到P7五个尺寸的特征金字塔上分别进行RoIs提取。

4.如权利要求2所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，中心概率图分支采用平均二元交叉熵(Binary Cross-Entroy，BCE)损失函数进行训练；目标中心概率图GT_center的生成通过在每个目标中心位置(i，j)叠加二维高斯分布图实现，具体公式如下：

G(i，j，x，y，σ)＝exp(-(i-x)²/(2σ²)-(j-y)²/(2σ²)) (1)

式中，K是图像中正样本的数量，(x_k，y_k)是第k个目标的外接矩形框中心位置，高斯分布图的方差σ的取值与当前特征的金字塔层级1相关，(i，j)是特征图的坐标位置。

5.如权利要求4所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，目标尺度估计图GT_scale按照以下公式生成：

式中，h_k是第k个目标的高，r是正样本采样范围的半径。

6.如权利要求5所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，中心偏移图分支的中心偏移量按照如下公式计算得到：

式中，t_ij是目标实际中心位置在1层特征图(i，j)坐标的偏离量。

7.如权利要求6所述的基于头部和可见区域线索的遮挡行人检测方法，其特征在于，头部矩形框标注如下计算可得：

式中，(x_f，y_f)全身标注框的中心坐标，(x_h，y_h)头部中心，h_f是行人高，s_h是头部尺寸。