[发明专利]一种注意力机制和Faster RCNN相结合的核电站厂区遮挡行人检测方法

说明书

本发明公开了一种基于注意力机制的遮挡行人检测检测方法，本发明将改进的双阶段行人检测方法Faster RCNN用于行人检测，实现在实际复杂场景内被部分遮挡行人的检测。该方法对在传统的FasterRCNN模型的基础上增加了通道注意力机制引导网络，使网络能够关注行人的可见部分；同时将定位损失函数拆分为吸引项和抑制项两部分，可使一个目标的预测框在靠近真实框的同时远离周围目标的真实框，以此减少行人的前景遮挡；以公共数据集中的数据进行实例分析，验证了该发明的实用性和通用性。

技术领域

本发明属于核电站安全监控行人检测技术领域，具体涉及一种注意力机制和Faster RCNN相结合的核电站厂区遮挡行人检测方法。

背景技术

核电站厂区巡检机器人进行特定工作区域的安全巡检时，因采集到厂区工作人员图像的多尺度问题容易造成人员的漏检，进而威胁到核电厂安全稳定地运行，也容易导致人员发生危险。近年来随着计算机运算能力的日益提高，基于卷积神经网络的行人检测方法已经取得了许多突破性的进步，但是受到外界多种复杂因素的影响，被遮挡的行人对行人检测造成的干扰仍然是一个待解决的问题，现阶段的行人检测模型还是有较大的提升空间，继续深入的研究基于卷积神经网络的行人检测方法提高行人检测精度仍然具有重要意义。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种注意力机制和FasterRCNN相结合的核电站厂区遮挡行人检测方法，将改进的双阶段行人检测方法Faster RCNN用于行人检测，实现在复杂场景内对遮挡行人的检测。该方法在传统的Faster RCNN模型中增加了通道注意力机制引导网络，并将定位损失函数拆分为吸引项和抑制项两部分，使目标的预测框在靠近真实框的同时远离周围目标的真实框，以此减少行人的前景遮挡，提高遮挡行人检测的精度，降低漏检率。

为了实现上述目的，本发明采用的技术方案是：

一种注意力机制和Faster RCNN相结合的核电站厂区遮挡行人检测方法，包括以下步骤；

步骤一，注意力机制引导网络：

注意力网络引用SE模块，SE模块是典型的通道域注意力机制，能够显式的建立行人特征通道间的关系，模型能够重点关注行人未被遮挡的区域，当核电站厂区行人图像输入至模型后，先通过VGG16网络进行特征提取，生成的特征图输入至RPN网络中，滑动窗口会在特征图上每一个位置进行滑动，并且在每个位置上都会生成9种不同比例的候选框，在RPN中每个候选区域都会有分类置信度，判断该预测框候选区域中为行人的概率为多大，对置信分数高的候选区域将会送入后面分类器中做进一步选择，滑动窗口在特征图上滑动时最初生成的9种不同比例的候选框并不精确，RPN中的回归机制对候选框的位置进行初步的修正，经过RPN进行候选区域选择后，得到具有行人特征的特征图，特征图输入至注意力网络中，通过SE模块建立行人特征图通道间的关系；

卷积神经网络的不同通道特征编码了行人不同的部位，在特征图的某些通道中对行人的头、肩以及脚等部位有着较高的激活响应，使用通道注意力机制将特征图网络生成一个长度为通道数目的向量，而向量中的每一个元素都与特征图中的每个通道相对应，表示该通道的权重，通过调整通道权重来提示网络应该关注行人的哪些部位；

步骤二，改进损失函数：

经过步骤二中注意力机制对行人特征图中一些对行人肩部、头部以及脚部等具有较高激活响应的通道进行重新标定后，模型将重点放在了行人未被遮挡的部分，能够有效检测出被车辆，树木等物体遮挡的行人，重新标定后的特征输入至全连接层进行分类与回归，通过抑制行人预测框的偏移来进一步提高行人检测精度；

步骤1，分类损失函数

经过RPN对特征图候选区域选择后初步确定行人区域和位置，然后经过全连接层使用分类函数衡量RPN生成的预测框是否正确的区分了行人与背景，函数的数学表达如公式(1)所示：