[发明专利]一种基于道路场景的行人检测方法和系统

说明书

本发明公开了一种基于道路场景的行人检测方法和系统，属于计算机视觉领域，包括：对采集图像进行感兴趣区域提取得到输入对象，并在输入对象中对目标对象进行标记得到训练数据集；将训练数据集按照目标尺度大小分为多个部分；设计与输入图像宽高比一致的矩形卷积神经网络；设计预选框初步确定目标对象所在位置；采用分组的训练数据集和预选框对矩形卷积神经网络进行分步训练，使不同特征层对相应尺度的目标对象更为敏感；最后通过训练好的行人检测模型对输入图像进行检测，将重复检测和低于设定置信度阈值的目标框删除，得到行人检测结果。本发明相对现有的行人检测算法对不同尺寸的目标具有更强的针对性，运行速度更快，检测精度更高。

技术领域

本发明属于计算机视觉领域，更具体地，涉及一种基于道路场景的行人检测方法和系统。

背景技术

行人检测技术应用日趋广泛，其主要利用基于深度学习的相关算法，对输入图像中的行人目标进行检测识别。例如，在高级驾驶辅助系统中，行人检测技术是其中至关重要的一个环节。它通过对当前道路场景中的行人目标进行检测，进而系统可综合分析检测结果与汽车行驶状态等因素，判断当前驾驶行为是否存在潜在的危险，以给予驾驶员预警信息，保障人身安全与驾驶安全。因此，一项运行速度快、检测精度准的行人检测技术显得尤为重要。它可以实时精确地检测出当前驾驶环境中可能存在的危险目标，并且及时给予预警信息，以避免危险事故的发生。可见，此项技术具有很强的实际应用价值。

现有行人检测技术中，由于卷积神经网络较为复杂，算法的整体计算量较大，使得模型运行速度过慢，进而导致该技术在嵌入式设备、移动端等硬件资源受限的平台上不能满足系统的实时性要求；还有部分算法采用更加精简的卷积神经网络进行检测，通过减少网络层数、降低卷积层通道数等方式简化网络，或通过压缩网络输入尺寸等措施降低算法计算量，并且配置性能更强的处理器芯片进行快速运算。此类方法在诸如移动端等平台的速度仅为6FPS左右，速度较慢，且过于简单的卷积神经网络虽然能够保证检测速度，但是以检测精度的显著降低为代价。可见，现有的检测算法在检测速度上存在较为严重的迟缓问题，而速度较慢带来的直接影响是不能及时对当前场景进行目标检测与分析，因而不能应用在诸如辅助驾驶等实时性要求较高的场景中。

综上所述，现有的行人检测技术存在无法同时满足实时性要求和达到高检测精度的问题。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于道路场景的行人检测方法和系统，旨在解决现有的行人检测方法由于检测速度慢而不能满足实时性要求，且检测精度低的问题。

为实现上述目的，本发明第一方面提供了一种基于道路场景的行人检测方法，包括以下步骤：

(1)采集道路场景图像并进行感兴趣区域提取，得到待检测图像；

(2)将所述待检测图像输入行人检测模型中进行检测，得到包括目标对象位置和置信度信息的初步检测结果；

(3)将重复检测和低于设定置信度阈值的检测结果删除，得到最终检测结果；

其中，所述行人检测模型是与所述待检测图像宽高比一致的矩形卷积神经网络；所述矩形卷积神经网络中不同尺度的特征层采用不同的训练集进行分步训练；所述不同尺度的特征层负责检测不同尺度的目标对象。

进一步地，所述步骤(2)中所述行人检测模型的训练方法为：

(21)对采集的道路场景图像进行感兴趣区域提取，得到输入图像，并在所述输入图像中标记目标对象，得到训练数据集T；

(22)按照目标对象尺度大小，将所述训练数据集T分为从小到大的多个部分T₁～T_n；其中n表示按照尺度范围对目标对象的分组个数；

(23)构建与所述输入图像的宽高比一致的矩形卷积神经网络，对所述输入图像进行特征提取；