[发明专利]一种基于特征平衡和关系增强的人体检测方法

说明书

本发明公开了一种基于特征平衡和关系增强的人体检测方法，该方法应用于检测多尺度下不同场景的人体目标，通过融合多尺度特征信息来平衡各个尺度的特征信息，并利用背景与人体之间的隐含关系进一步增强特征表达，对于不同尺度、姿态的人体具有较好的特征提取能力和检测性能。本发明与现有技术相比使用一种特征平衡和关系增强的人体检测方法，通过融合并增强多层特征的语义信息，提升模型对于多尺度人体的特征提取能力，以应对不同场景下多样化的人体预测任务，利用多种预训练算法和平衡训练采样技术，较其他人体检测方法，需要的人体训练样本数量较少，并提升了模型对于不同场景人体检测的泛化能力和鲁棒性，适于广泛推广。

技术领域

本发明涉及计算机视觉中的人体检测技术领域，特别涉及，一种基于特征平衡和关系增强的人体检测方法。

背景技术

人体检测的目标是在图像场景中检测出是否存在人体目标并给出目标的位置。在各种应用场景中，人体检测技术的难点主要在于人体动作、姿势的多样性，背景的复杂性，建筑物、车辆等对人体的遮挡，人体之间的互相遮挡，光照变化，视角的变化，以及由拍摄距离和场景变化造成的人体尺度的多样性等问题。这些难点使得人体检测技术的研究面临诸多挑战，降低了现有算法在多样化场景下的人体检测精度。

目前人体检测方法主要是将人看成一个整体，用矩形框表示人体，对其进行传统手工特征提取如小波特征、方向梯度直方图特征等，然后用分类器进行分类。复杂背景下常用图像金字塔或特征金字塔来拟合不同尺度下的人体特征，以此提高多尺度人体目标的检测精度，然而对于一些极小目标仍会出现边界模糊和外观模糊的问题，很难将其与杂乱的背景以及其他重叠的目标进行区分。将人体躯干划分为若干个部分，分析或预测各个部分的遮挡情况来解决遮挡问题，该方法需要较复杂的标注数据和模型推理过程导致具有较高的模型成本。

针对现有技术的缺点，急需设计一种解决在多样化场景下的人体检测精度低，极小目标出现边界模糊和外观模糊，模型成本高，模型对于不同场景人体检测的泛化能力和鲁棒性过低，无法应对翻拍重放等手段欺骗攻击问题的人体检测方法。

发明内容

针对上述缺陷，本发明解决的技术问题在于，提供一种基于特征平衡和关系增强的人体检测方法，以解决现在技术所存在的在多样化场景下的人体检测精度低，极小目标出现边界模糊和外观模糊，模型成本高，模型对于不同场景人体检测的泛化能力和鲁棒性过低，无法应对翻拍重放等手段欺骗攻击的问题。

本发明提供了一种基于特征平衡和关系增强的人体检测方法具体步骤包括：

步骤1、对检测模型进行模型预训练，得到对人体特有特征的提取能力和敏感程度更优的检测模型；

步骤2、对检测模型进行多尺度特征融合，得到多尺度特征金字塔；

步骤3、对多尺度特征融合后的图像特征进行图像特征的关系增强，得到关系增强后的融合特征；

步骤4、基于先前融合并增强后的特征结果，对检测模型的特征进行多尺度特征重分配；

步骤5、对检测模型中的真实样本框数据采用负样本采样和正样本采样方法进行平衡采样；

步骤6、根据调整后的特征金字塔，对不同尺度的人体分别在不同层级上的特征用检测模型进行预测和训练。

优选地，所述步骤1具体步骤包括：

步骤1.1、采用庞大的通用物体检测数据集对检测模型进行首轮预训练，得到泛化特征提取能力更高的检测模型；

步骤1.2、完成首轮预训练后，调整检测模型顶层结构；

步骤1.3、通过混入通用场景下包含人体目标的样本进行二次预训练，得到对人体特有特征的提取能力和敏感程度更优的检测模型。

优选地，所述步骤2具体步骤包括：