[发明专利]基于联合检测模型的部分遮挡行人检测方法

摘要

本发明公开了一种基于联合检测模型的部分遮挡行人检测方法，选择遮挡等级较低的单行人训练正样本和遮挡等级较高的双行人训练正样本，结合负样本分别训练单行人可形变部件混合模型和双行人可形变部件混合模型，同时分别训练单行人包围框预测器和双行人包围框预测器；对于待检测图像分别两种可形变部件混合模型进行行人目标行检测，得到检测结果；然后根据重叠度判断得到双行人检测结果和单行人检测结果中的同一目标检测结果，去除响应得分较低的检测结果，对筛选后的检测结果进行包围框预测，得到每个行人目标的包围框，然后再对包围框去重，得到最终的行人目标检测结果。采用本发明可以有效提高遮挡程度较高的行人目标的检测能力。

主权项

1.一种基于联合检测模型的部分遮挡行人检测方法，其特征在于，包括以下步骤：S1：选择训练样本，其中单行人训练样本中的正样本为行人自遮挡等级小于阈值T或者被静止物体遮挡的行人样本图像，遮挡等级表示某个行人被另一行人遮挡的面积占该行人目标总面积的百分比，每个行人作为一个目标；双行人训练样本中的正样本为遮挡等级大于阈值T的行人自遮挡样本图像，每两个相互遮挡的行人作为一个目标；负样本为没有行人目标的样本图像；每个样本图像对应一个标注文件，标注文件包括图像中出现的每个目标的类别以及目标的包围框；S2：根据预设的单行人正样本聚类数N_s和双行人正样本聚类数N_d，按照每个正样本中的目标包围框长宽比，采用聚类算法分别对单行人训练样本和双行人训练样本的正样本进行聚类；S3：采用步骤S2聚类得到的正样本图像以及负样本图像，分别训练单行人可形变部件混合模型和双行人可形变部件混合模型，其中单行人可形变部件混合模型包括N_s个可形变部件模型，双行人可形变部件混合模型包括N_d个可形变部件模型，每个可形变部件模型包括一个根滤波器和一组部件滤波器，滤波器是一个权重矩阵，一个滤波器的响应得分，是在特征图上相应位置特征向量与权重向量的点积，根滤波器在一个低分辨率的图像上扫描，获取目标的整体信息，而部件滤波器在一个两倍于根滤波器分辨率的图像上扫描，获取目标的部件信息；可形变部件混合模型的训练过程如下：1)先对正、负样本提取HOG特征金字塔，然后提取正、负样本的特征向量，根据聚类数采用标准SVM训练得到N_s或N_d个根滤波器；2)将N_s或N_d个根滤波器合并成混合模型，在完整数据集上重新训练根滤波器混合模型；3)根据训练好的根滤波器来初始化每个根滤波器的部件滤波器；4)对完整的混合模型进行整体训练，更新每个滤波器；S4：对于单行人和双行人训练样本中的正样本，分别采用对应的可形变部件混合模型的检测结果作为输入，正样本中的每个单个行人目标包围框作为输出，训练得到对应的单行人包围框预测器和双行人包围框预测器；S5：对于待检测图像，分别采用单行人可形变部件混合模型和双行人可形变部件混合模型进行行人目标检测，得到检测结果，每个检测结果包括行人目标对应的根滤波器位置和部件滤波器相对位置及行人目标的响应得分；S6：记单行人可形变部件混合模型的检测结果集合为M_s表示单行人可形变部件混合模型的检测结果数量；双行人可形变部件混合模型的检测结果集合为M_d表示双行人可形变部件混合模型的检测结果数量；对每个单行人检测结果，分别计算其根滤波器目标框与每个双行人检测结果中根滤波器目标框的重叠度，如果重叠度大于阈值，则认为这两个检测结果所对应的行人目标相同，将其中响应得分较低的检测结果删除；将筛选过后得到的单行人检测结果集合记为A′，双行人检测结果集合记为B′；S7：对于单行人检测结果集合A′中的每个检测结果采用单行人包围框预测器进行目标包围框预测，对双行人检测结果集合B′中的每个检测结果采用双行人包围框预测器进行包围框预测，得到每个单个行人目标的包围框，将行人目标包围框所对应检测结果的响应得分作为该包围框的得分；S8：将步骤S7得到的包围框记为集合C＝(c₁,c₂,…,c_K)，K表示包围框数量；每次从集合C中选择得分最高的包围框c^*作为行人目标，加入行人目标集合O，并从集合C中删除，计算包围框c^*与集合C中所有包围框的重叠度，如果某个包围框与包围框c^*的重叠度大于阈值，将该包围框c^*从集合C中删除；直到集合将当前的行人目标集合O作为最终的行人目标集合。