[发明专利]结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质

摘要

本发明涉及图像处理技术，具体为低分辨率行人检测方法、系统及存储介质。本发明方法包括训练过程和测试过程，训练过程首先确定训练集、训练过程的参数；然后按批处理大小依次输入图片，提取训练图片的多尺度特征，并对浅层特征进行重构和增强，形成新的多尺度检测框架；最后进行框的分类和位置的回归，计算训练损失并反向传播，更新权重参数。测试过程首先是确定测试集，将训练过程得到的模型作为算法的测试模型，依次小批量输入测试图片、提取多尺度特征、对浅层特征进行重构和增强，然后进行框的分类和位置的回归。本发明采用深度学习网络，对浅层特征进行重构，同时提高浅层特征的有效性，以增强对低分辨率行人的检测能力。

主权项

1.结合ResNet和SENet的低分辨率行人检测方法，其特征在于，包括训练过程和测试过程，所述训练过程包含以下步骤：步骤11、确定所需的行人数据集，把数据集按照一定的比例划分为训练集和测试集，将训练集转化为合适的输入格式用于模型训练；步骤12、确定模型训练过程所需的预训练模型，在预训练模型的基础上进行训练，确定训练过程的训练参数；训练参数包括训练的总迭代次数、模型迭代的批处理大小、学习率；步骤13、按照设定的批处理大小将小批量训练数据送入已训练的基础网络，经过基础网络逐层的语义信息抽取后，由基础网络的多尺度检测框架进行特征提取，通过基础网络的浅层网络提取低分辨率行人的特征，通过基础网络的深层网络提取高分辨率行人的特征；步骤14、通过浅层特征重构层将多尺度检测框架中深层网络的特征信息叠加到浅层网络的特征中，对多尺度检测框架中浅层网络的特征层进行重构；步骤15、对浅层特征重构层进行特征增强操作，将增强后的重构层代替原始多尺度检测框架中最浅层网络的特征提取层，与其他的特征提取层重新组合形成新的多尺度检测框架；步骤16、对新的多尺度检测框架进行分类和回归，求得行人的类别和位置；步骤17、计算训练损失，并将训练损失进行反向传播，更新权重参数；步骤18、判断是否完成训练的总迭代次数，若完成总迭代次数，则终止模型的训练；否则返回步骤13继续训练；所述测试过程包含以下步骤：步骤21、确定测试集并转化为合适的输入格式用于模型测试；步骤22、将训练过程训练得到的模型作为测试模型，确定测试过程的批处理大小；步骤23、按照设定的批处理大小将小批量测试数据送入测试基础网络，经过基础网络逐层的语义信息抽取后，由基础网络的多尺度检测框架进行特征提取，通过基础网络的浅层网络提取低分辨率行人的特征，通过基础网络的深层网络提取高分辨率行人的特征；步骤24、通过浅层特征重构层将多尺度检测框架中深层网络的特征信息叠加到浅层网络的特征中，对多尺度检测框架中浅层网络的特征层进行重构；步骤25、对浅层特征重构层进行特征增强操作，将增强后的重构层代替原始多尺度检测框架中最浅层网络的特征提取层，与其他特征提取层重新组合形成新的多尺度检测框架；步骤26、对新的多尺度检测框架进行分类和回归，求得行人的类别和位置；步骤27、若测试图片取完，则完成模型的测试；否则返回步骤23继续测试。