[发明专利]一种多尺度遮挡行人检测方法及系统

说明书

本发明公开了一种多尺度遮挡行人检测方法和系统，将行人头部检测模型与行人全身检测模型相结合，通过可信IoU阈值构建待定全身检测结果集，并结合全身检测结果与头部检测结果的匹配情况对待定全身检测结果集再次进行筛选，提升了密集场景下的行人检出率。采用多个单分辨率并行子网络和多个多尺度特征融合模块来构建特征提取网络，提升了特征提取网络输出特征的质量和信息完备性。在通道连结多个子网络输出特征后，使用通道选取模块进一步聚合了语义相关的特征通道，为后续多尺度目标的中心点预测、尺度预测和偏置预测任务提供了更良好和更精准的特征信息。

技术领域

本发明属于计算机视觉图像处理领域，更具体地，涉及一种多尺度遮挡行人检测方法及系统。

背景技术

行人检测是计算机视觉领域中一种非常重要而又相当具有挑战性的热点问题。行人检测同目标检测一样，目的是在图像或视频中判断是否存在行人目标以及精准确定目标位置。

虽然目标检测技术已经发展得相对成熟，但由于行人目标具有各种尺度、姿态以及遮挡情况，再加上不同自然环境、摄像机设置、拍摄角度等因素的影响，一般的目标检测器很难完美适用于行人检测问题。然而在现实生活中，行人检测在车辆辅助驾驶系统、智能交通、人群监控等领域中的实际应用，不仅能够帮助解决许多社会安全问题，还能在一定程度上解放人力资源，实现自动化。因此，即使在行人检测算法研究的道路上困难重重，还是有众多学者、机构、公司为其广大的应用发展前景而前赴后继，努力找到一种更好的方法，使得行人检测器能够更有效地应用在现实生活与生产中。

目前大多行人检测器都是在两阶段检测算法Faster R-CNN网络基础上针对特定问题进行改进，但近年来兴起的无锚检测器凭借其结构简单、检测效果佳、扩展性强、鲁棒性好等优势在行人检测乃至目标检测领域得到了迅速的发展。CSP(Center and ScalePrediction，中心点和尺度预测)是一个基于密集预测的典型无锚检测器，它利用CNN高度的抽象能力，以更高层的语义特征点(目标中心点和目标宽高属性)来代替低层视觉特征点(感兴趣区域、角点、极值点等)进行检测。

虽然与一般基于深度学习的检测器相比，CSP打破了手工设置固定大小、纵横比锚框的限制，减少了超参数限制带来的泛化性能丢失，同时缓解了背景干扰过多、正负样本不均衡等问题，但对于多尺度行人检测和密集场景中行人遮挡等难点问题，该检测器还是存在较大的改进空间。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种多尺度遮挡行人检测方法及系统，以减少密集场景下多尺度遮挡行人的错检和漏检。

为实现上述目的，按照本发明的一个方面，提供了一种多尺度遮挡行人检测方法，包括：

S1：将待检测图像分别输入行人全身检测模型和行人头部检测模型，得到全身检测结果集和头部检测结果集；其中，所述行人全身检测模型和行人头部检测模型均基于训练好的CSP模型建立；

S2：取出置信度最高的全身检测结果作为最终检测结果，并将其作为参考对象，计算余下的全身检测结果与参考对象之间的IoU值，将IoU值大于可信阈值的全身检测结果取出构建为待定检测结果集；

S3：逐一判断待定检测结果是否具有匹配的头部检测结果，若是，则将所述待定检测结果返回至全身检测结果集，返回步骤S3，直至全身检测结果集为空集；若否，返回步骤S3，直至全身检测结果集为空集。

优选地，所述逐一判断待定检测结果是否具有匹配的头部检测结果，具体为：

将头部检测结果按照预设比例转化为虚拟全身检测结果，计算待定检测结果与未被匹配的各虚拟全身检测结果的IoU值，若各IoU值中的最大值大于匹配IoU阈值，且所述待定检测结果与所述最大值对应的虚拟全身检测结果的宽值间距与高值间距之和小于匹配间距阈值，则所述待定检测结果有匹配的头部检测框。