[发明专利]一种构建行人检测模型的方法

说明书

本发明公开了一种构建行人检测模型的方法，属于图形处理技术领域。本发明的一种构建行人检测模型的方法，先从数据库中随机选取行人图像并对行人图像的头部进行标注作为标签文件，再将选取的行人图像划分为训练集、测试集和验证集；而后对训练集进行聚类分析得到新的先验框，再对YOLOv3网络进行网络结构调整；然后利用YOLOv3网络对训练集进行训练得到行人检测模型，再利用验证集对行人检测模型进行评估，最后利用测试集对行人检测模型进行测试。本发明的目的在于克服现有技术中，当监控场景下的行人处于密集状态时，行人检测结果不准确的不足，提供了一种构建行人检测模型的方法，可以解决行人检测时的行人遮挡问题，提高行人检测的准确性。

技术领域

本发明涉及图形处理技术领域，更具体地说，涉及一种构建行人检测模型的方法。

背景技术

行人检测(Pedestrian Detection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。该技术可与行人跟踪，行人重识别等技术结合，应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域。由于行人兼具刚性和柔性物体的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。

智能视频监控技术是源自人工智能的一个分支领域-计算机视觉技术。随着计算机视觉技术的飞速发展，各种目标检测方法也在不断创新与完善，智能视频监控技术也日益成熟。行人信息作为一种非常重要的信息，使得行人监控在计算机视觉领域成为一个研究热点，在很多场景下需要提供安全支持。

目前行人检测方法主要是基于统计学习的方法。其中又可分为传统的行人检测方法和基于深度学习的行人检测方法。传统方法主要基于人工特征，将行人检测转化成人与非人的二分类问题，包括候选区域生成、特征提取和分类器训练三个部分。但是，手工设计特征的过程相当复杂，而且对研究者的个人要求很高，需要长期的科研积累与重复实验才有可能获得一个良好的特征。正是因为局限于此，传统的行人检测方法难有大的突破。直到近年来，深度学习技术的崛起，在一定程度上克服了人工设计特征的难题。深度学习可以在大量的数据中通过自主学习获得表达样本的本质特征的能力，从而将设计特征转变为学习特征，而且学习得到的特征拥有更加丰富的数据信息和更强的鲁棒性。因此，深度学习技术也被应用于目标检测领域，继而被引入行人检测。

自从深度学习被应用于行人检测领域以后，很多优秀的方法相继被提出。目前，基于深度学习的行人检测方法主要是利用已有的深度学习框架，通过行人数据集，在已有的深度模型上进行fine-tune训练，从而得到最终的行人检测模型。现有的主流检测算法有两类：一类是two-stage方法，这类方法将候选区域生成、特征提取、分类器三个步骤放在一个深度学习框架之中。代表方法如R-CNN系列算法；另一类是one-stage方法，这类方法无需区域提名，从输入图像到检测，整个过程只需要一步，检测实时性高。代表方法有YOLO、SSD。

同时，在现实生活中，相比其它场景下的情况，在监控场景下的行人往往比较密集，遮挡程度较高。根据数据统计，监控场景下的行人的各个部位在摄像头下的可见度都有所不同。其中，可见率最低的行人部位为腿部，其次是行人躯干，而可见率最高的是行人的头肩部位。由此可以说明，在监控场景下，行人的头部是最容易被检测到的。因此，若是将对整个行人躯体的检测转化为只针对行人头部的检测，对于处理监控场景下的行人遮挡问题具有重要的借鉴意义。

发明内容

1.要解决的问题

本发明的目的在于克服现有技术中，当监控场景下的行人处于密集状态时，行人检测结果不准确的不足，提供了一种构建行人检测模型的方法，可以解决行人检测时的行人遮挡问题，提高行人检测的准确性。

2.技术方案

为了解决上述问题，本发明所采用的技术方案如下：