[发明专利]一种基于ACSP的轻量级注意力机制行人检测算法

说明书

本发明所解决的技术问题是行人检测中对于有遮挡情形下所造成的漏检率过高的问题，提出一种基于ACSP(AdaptedCenterandScalePrediction)的轻量级注意力机制行人检测算法。以ACSP行人检测器为基础，引入了ECA轻量级注意力机制模块，在计算过程中引入较少参数的同时提升了算法检测性能，并且采取了DIoU非极大值抑制来优化冗余候选预测框的方法，有效降低了行人检测漏检率，在处理有遮挡或严重遮挡时具有非常优异的效果。本发明在行人检测工作及安防领域中可以有效解决遮挡性和多尺度性对检测的精度造成的影响。

技术领域

本发明以深度学习为基础提出一种基于ACSP(Adapted Center and ScalePrediction)的轻量级注意力机制行人检测算法。以ACSP行人检测器为基础，引入了ECA轻量级注意力机制模块，在计算过程中引入较少参数的同时提升了算法检测性能，并且采取了DIoU-NMS来优化冗余候选预测框的方法，有效降低了行人检测的漏检率，在处理有遮挡或严重遮挡时具有非常优异的效果。

背景技术

行人检测工作需要对图像中的每个行人定位和预测，可以视为一种确定有明确检测对象的目标检测。随着人工智能技术的普及，行人检测安防领域中有着十分重要的意义。聚集的人群中存在着许多相应的安全隐患，踩踏事故频发，由大规模聚集人群所造成的社会安全事故威胁着人民大众的人身安全。在实时监控系统广泛分布应用的今天，监控系统能够很好地完成对人群画面进行实时监控的任务，但是针对人群聚集特别是互相遮挡的问题，如今的监控预警系统仍然缺乏有效的策略。实时且准确地估算人群数目，合理分析人群聚集情况，及时给出警示，能够有效规避不幸事件的发生，从而保护人民财产安全，维持社会安全稳定。

早期的目标检测方法，主要利用区域建议分类和滑动窗口模式。现代的目标探测器可分为两类，基于锚点的方式的和不基于锚点的方式。2018年8月以来，越来越多的方案倾向于不使用锚点的方式方法。

近年来深度学习迅速发展，卷积神经网络CNN在图像处理领域表现优异，人群密度估计领域中的研究者们也逐渐将卷积神经网络运用到该领域中。应用Faster-RCNN网络，一些两阶段行人检测方法在标准数据集上达到了最先进的水平。此外，一些行人检测器基于单级主干网，在速度和精度之间取得了平衡。但在实际情况中，图像中由于存在行人之间的遮挡或行人被其他障碍物的遮挡现象，加之行人在图像中本身具有的多尺度特点，这就造成了单一尺度的目标检测算法在面临上述问题时效果不是很理想，因此对于人群整体的处理方法国内外相关研究较少。

发明内容

本发明所解决的技术问题是行人检测图像中由于存在行人之间的遮挡或行人被其他障碍物的遮挡现象导致检测效果较差的问题。提出一种基于ACSP的轻量级注意力机制行人检测算法，将行人检测任务转化成了对行人中心点(x，y坐标)和尺度(宽高)这些高级语义特征的检测，引入ECA轻量级注意力机制模块提高主干网络精确度，采用DIoU的非极大值抑制算法优化冗余候选预测框，在处理有遮挡或严重遮挡时具有非常优异的效果。

为了实现上述目的，本发明的技术方案如下：

一种基于ACSP的轻量级注意力机制行人检测算法，包括以下步骤：

步骤一：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；

步骤二：输入行人图像数据，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；

步骤三：行人预测，分别对行人中心点、尺度和偏移量进行预测；

步骤四：预测框后处理，将行人预测结果经过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，最终得到行人检测网络的整个预测结果。

所述步骤一中的具体情况如下：