[发明专利]面向智能路侧设备的小尺度行人目标快速超分辨率化方法

说明书

本发明公开了一种面向智能路侧设备的小尺度行人目标快速超分辨率化方法，该方法包括：采集并构建小尺度行人高低分辨率数据训练集；基于生成对抗思想，搭建针对低分辨率小尺度行人图像的轻量化生成网络，该网络首先利用可分离卷积进行图像初步特征的提取，然后结合残差模块对高频信息进行拟合，最后借助像素重组模块对低分辨率行人图像进行高分辨率化重建；搭建判别网络，对生成网络的参数进行判别训练，得到最佳生成网络；利用最佳生成网络对低分辨率小尺度行人图片进行超分辨化，得到高分辨率的行人目标。本发明所设计轻量级的超分辨率化生成网络具备训练时间短、推理延时低的显著优势，填补了智能路侧领域小尺度行人实时超分辨率化技术空白。

技术领域

本发明属于计算机视觉与智能交通领域，涉及智能交通路侧场景图像中的小尺度行人目标超分辨率化方法，尤其是一种面向智能路侧设备的小尺度行人目标快速超分辨率化方法。

背景技术

伴随着我国道路交通规模快速增长，行人与车辆之间的交通运输事故频发，车辆的安全性能不断得到提升，但针对行人的安全保障设备却一直处于缺乏状态。为保障行人的基本安全，采用电子信息化技术辅助行人对周边驾驶员或者智能汽车进行安全预警的智能路侧系统已成为国内外研究的重点。其中，对小尺度行人的准确识别是保障安全预警系统快速响应的前提条件，然而，小尺度行人目标视觉特征稀疏，单纯依赖行人检测算法难以保障检测的有效性，为了提升小尺度目标的识别能力，超分辨率化方法得到了广泛的关注。

通用型的超分辨率化方法有三种主要的类别，第一类是基于插值的方法，比如最近邻插值、双线性插值和双立方插值，这一类方法优势在于计算量小，但忽视了交通领域下常见的运动模糊等问题，第二类方法是基于重构的方法，主要代表是迭代反投影法、凸集投影法、最大后验概率法等，这一类方法针对单一场景的重构相比于插值的方法有较大提升，但对于背景复杂的问题仍存在峰值信噪比过低的情况，第三类方法是基于学习的方法，这一类方法主要的代表是深度学习和稀疏编码方法，这类方法具有场景适应强、特征鲁棒性高的特点，比较契合智能路侧视角下小尺度行人目标的超分辨率化要求。

然而，现有的深度学习超分辨化方法由于网络结构的复杂性，均存在着算法执行时间过长的严重问题，难以直接用于实时性要求较高的智能路侧设备中。因此，设计一种快速的小尺度行人目标超分辨率化方法成为了推动智能路侧设备发展、保障行人生命安全的核心一环。

发明内容

为解决上述问题，本发明公开了一种面向智能路侧设备的小尺度行人目标快速超分辨率化方法，有效地填补了当前智能路侧领域小尺度行人实时超分辨率化技术的空白，进一步提升了智能路侧设备的功能性与智能性。

为了达到上述目的，本发明提供了如下的技术方案：

一种面向智能路侧设备的小尺度行人目标快速超分辨率化方法，包括以下步骤：

(1)采集包含多种智能路侧场景的高分辨率小尺度行人图像，利用下采样方法获得低分辨率小尺度行人图像集合，利用高低分辨率图像的对应关系，构建样本量为N的小尺度行人多分辨率图像训练数据集。

(2)基于生成对抗思想，设计小尺度行人目标快速超分辨率化网络的生成网络。首先，通过可分离卷积与特征图压缩这类轻量化卷积结构初步地提取低分辨率样本图片中的小尺度目标语义特征，其次，堆叠残差结构形成残差块，将残差块作为高分辨率样本高频信息的估计单元，这样可以在不过多引入参数量的前提下，利用残差结构对低分辨率样本与高分辨率样本之间的高频差别进行拟合，进一步地，将残差块的输出接入一个特征压缩卷积，用来减少特征参数的维度，保证算法的实时性，紧接着，利用逐个元素相加的方法，再一次引入侧向连接形成双重的前馈结构，这样既可以有效地避免梯度反向传播时的梯度弥散情况，又可以显著减少生成网络整体的训练迭代次数，再次，利用像素重组层对特征图进行上采样，避免线性采样或者双线性采样过程中照成的锯齿状边沿，由此获得更高质量的高分辨率特征图，最后，通过可分离卷积结构生成高分辨率行人图片。此部分的网络结构设计如下：