[发明专利]低质量输入图像的人体目标检测方法

权利要求书

1.一种低质量输入图像的人体目标检测方法，其特征是步骤包括：

1)对输入图像进行超分辨率重构与降噪处理：采用VDSR模型，使用深度神经网络模型来进行模型预测；然后结合残差学习来进行成像数据的超分辨率重构与降噪；步骤包括：

1.1)数据预处理：将图像进行插值得到实例级识别ILR图像，再将图像输入网络；

1.2)模型训练；

1.3)图像增强：利用训练好的模型对低质量输入图像进行超分辨重构与降噪处理；

2)以步骤1)处理得到图像为输入图像，采用卷积神经网络技术进行人体目标检测；

基于YOLO-V4网络实现选通成像数据中人体目标的检测，通过卷积神经网络获取选通成像的卷积层和全连接层，利用卷积层直接提取人体特征，利用全连接层直接得到图像中所有物体的位置和其所属类别及相应的置信概率。

2.根据权利要求1所述的低质量输入图像的人体目标检测方法，其特征是所述步骤1)中，

步骤1.1)中，网络基于VGG19，利用19组conv+relu层，每个conv采用的filter规格为3×3×64。

3.根据权利要求1所述的低质量输入图像的人体目标检测方法，其特征是所述步骤1.2)中，

1.2.1)低清图像与高清图像相似度高，直接学习两者间的映射引入冗余计算，而低清图像与高清图像的差别在于高频部分，则只学习低清图像与高清图像之间的高频残差，为此引入了残差学习；

1.2.2)网络用深度20层的卷积网络学习插值后的低清图像与高清图像之间的残差，并在最后一层将残差与低清图像相加得到输出；每个卷积层都使用了等大小填充；

1.2.3)引入动态的限制梯度范围的超参数θ，并且这个θ和学习率γ成反比，梯度限制在

1.2.4)采用多尺度模型训练，即在每个批次中有不同scale的图像，参数共享在所有预定义的尺度中。

4.根据权利要求1所述的低质量输入图像的人体目标检测方法，其特征是所述步骤2)中：

2.1)处理训练集：

2.1.1)将采集设备获得的图片数据集格式转化为适合YOLOv4训练的xml格式；

2.1.2)然后把数据集划分为训练集和测试集两大部分；

2.2)搭建PyTorch深度学习框架，其中深度学习模型的配置利用YOLOv4算法：

2.2.1)利用输入端的Mosaic数据增强、自适应锚框计算和自适应图片放缩对图片数据进行预处理操作；

2.2.2)利用Backbone主干网络中的Focus结构、CSP结构和SPP结构进行网络特征提取；

2.2.3)通过Neck的FPN+PAN结构加强网络特征融合的能力；

2.2.4)利用输出端Prediction进行特征大小输出，按照图像网格划分得到参数矩阵。