[发明专利]针对固定野外场景中样本缺失情况下的行人检测方法

权利要求书

1.针对固定野外场景中样本缺失情况下的行人检测方法，其特征在于，步骤如下：

步骤1：融合各大行人检测数据库；

将各个数据库中的行人数据融合，主要是将各个数据库的标记信息的格式统一，方便后续训练处理。

步骤2：训练一个基于各种公开数据库的行人检测模型；

用基于ResNet-101提取特征的R-FCN检测器来训练模型。

步骤3：构造实验数据。

2.如权利要求1所述的针对固定野外场景中样本缺失情况下的行人检测方法，其特征在于：步骤3还包括如下步骤：

步骤31：网罗各大人形分割数据库；

从网上搜索各大行人分割数据库(如ImageNet数据库、Penn-Fudan数据库等)。

步骤32：提取出各个数据库中的行人块；

根据人工标记，得到每个行人的外切矩形框，根据此矩形框提取出数据库中的每个行人块(person_patch)和对应的分割标记(person_patch_mask)。其中分割标记是一个单通道的灰度图，通过如下的规则来呈现：行人边缘和行人内部灰度值为1，背景的灰度值为0；

步骤33：标定每个相机中地平线的位置，确定黏贴位置；

从每个相机拍摄的数据库中挑出一张图片，人工标定两条铁轨在图像中相交的位置，测得该位置与图像底部的距离H，在所有与图像底部距离小于H的像素点中随机挑选N个点(N∈(1,2,3,4,5))。避免出现人在空中这一现象。

步骤34：采用近大远小的方式黏贴小块；

步骤35：对每个融合块进行高斯平滑滤波

简单粗暴的融合方式会给人的产生突兀的感觉，在此对融合后的图像块进行高斯平滑滤波。

步骤36：重复2.3-2.5直至数据库中所有图像都进行合成；

步骤37：根据步骤二中生成的全新数据库对步骤一中的通用行人模型进行微调。

3.如权利要求2所述的针对固定野外场景中样本缺失情况下的行人检测方法，其特征在于：对于步骤34中的每个点，首先计算改点位置由于视角变化的缩放比例。根据示意图图1，很容易通过相似三角形求得缩小比例只与改点与图像底部距离h有关：

随机从步骤32中挑出一个行人块并根据scale对图像块进行缩放，。以该点为左上角的点，从原始图像中抠出一个和缩放后的行人块等高等宽的图像块(image_patch)。将图像块和行人块根据分割标记逐像素融合。如果分割标记(person_patch_mask)中坐标点(x,y)的灰度值为1，那么图像块(image_patch)中(x,y)处的像素值用行人块(person_patch)中(x,y)处像素值替换。