[发明专利]一种基于ACSP的轻量级注意力机制行人检测算法

权利要求书

1.一种基于ACSP的轻量级注意力机制行人检测算法，其特征在于，包括以下步骤：

Step1：数据预处理，将行人数据集根据需求调整为网络可训练的大小；

Step2：输入需要进行处理的行人图像，通过构建引入ECA轻量级通道注意力模块的ResNet-101模型，进行特征提取及特征融合；

Step3：行人预测，分别对行人中心点、尺度和偏移量进行预测；

Step4：预测框后处理，行人预测结果经过DIoU-NMS处理，保留遮挡行人的预测框，去除同一个行人的冗余预测框，最终得到网络的整个预测结果。

2.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法，其特征在于，所述Step 1中的具体过程如下：

Step1.1将输入图片尺寸调整为768×1536，Batch size设置为4。

3.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法，其特征在于，所述Step 2中的具体过程如下：

Step2.1构建引入了ECA轻量级通道注意力模块的ResNet-101模型，即在ResNet的每个残差块中都引入一个ECA模块；

Step2.2输入需要进行处理的行人图像后，主干网络通过卷积操作生成不同分辨率的特征图，定义如下：

其中，表示第i层输出的特征图，这些特征图由f_i对第i-1层特征图进行卷积、池化、正则化等处理。为一个N层网络输出的所有特征图，些特征图中所包含目标的位置或语义信息都可以被预测部分所利用；

Step2.3 ResNet作为主干网络提取特征图按照尺寸不同划分为四个特征层，每个特征层的尺寸依次为原图像的1/4、1/16、1/64、1/256，而每层特征层由前一特征层通过下采样操作得到；

Step2.4在特征融合部分，深层特征层通过反卷积操作让特征尺寸适应浅层特征层的特征尺寸，然后按照特征金字塔策略(FPN)使用Concat操作进行特征融合。

4.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法，其特征在于，所述Step 3中的具体过程如下：

Step3.1将处理后的行人数据通过两个1×1卷积核和一个2×2卷积核，分别对行人中心点、度和偏移量进行预测。

5.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法，其特征在于，所述Step 4中的具体过程如下：

Step4.1在IoU的基础上，引入一个惩罚项，即DIoU：

其中，ρ表示计算两个预测框中心点间的欧氏距离，c表示能够同时覆盖两个预测框的最小矩形的对角线距离，B_1、B_2分别表示预测框1和预测框2的面积；

Step4.2使用DIoU-NMS对行人预测结果进行处理。对于当前正在进行处理的预测框，DIoU-NMS的预测得分更新公式如下式所示：

其中，s_i为当前处理的预测框得分，M为分数最高的预测框，B_i为当前进行处理的第i个预测框，ε为阈值，在目标检测进行计算IoU时，该阈值通常设定为0.4；

Step4.3当ρ²和c²的比值较小时，对IoU的值基本不会产生影响，两个预测框IoU的值依然很大，此时依然会存在两个预测框预测的是同一个行人的可能性；减去惩罚项后，IoU的值大于或等于阈值ε，此时被处理的预测框得分置0，以此来达到抑制重复预测框的效果；当ρ²和c²的比值较大时，IoU的值变化会很明显，此时两个预测框预测的很有可能是两个不同的行人，减去惩罚项后IoU小于阈值ε，当前预测框保留预测得分，以此保留更多的预测结果。