[发明专利]一种行人检测方法和系统

说明书

本发明公开了一种行人检测方法和系统，该方法包括根据行人检测数据集建立用于行人检测的神经网络模型；对行人检测数据集进行数据增强后输入该神经网络模型进行训练，得到用于行人检测的神经网络模型；所述数据增强用于对数据集中的行人目标进行大小比例的调整以及数量的扩充以提高神经网络模型的检测精度；通过相机获取待检测图片，将获取的图片输入用于行人检测的神经网络模型，得到对所述待检测图片中每个行人所在位置进行了标识的图片。本发明通过设计一种多尺度数据融合和目标数据复制粘贴的方法来泛化行人检测实际环境的复杂情况，尤其是针对小目标数据的行人检测，提高行人检测模型的多尺度目标、遮挡目标的检测准确度。

技术领域

本发明属于图像处理技术领域，具体涉及一种行人检测方法和系统。

背景技术

随着自动驾驶和无人驾驶领域的越来越深入的发展，其行人检测定位技术也越发重要。而无人驾驶当中最重要的便是行人检测和定位，这是无人驾驶系统首先需要解决的关键性问题，也是事关无人系统安全性的根本性问题，而对行人目标物体进行识别和精定位显得至关重要。

现有基于视觉的行人检测方法，进行了视觉的行人检测目标识别与定位，现有方案通常采用相机进行目标物体的识别定位，对重叠、遮挡的行人检测，尤其是对较小的行人目标的检测，目前并没有好的解决方法，因此在行人检测的精确性方面还存在一定问题。

发明内容

为了解决能对重叠、遮挡的行人进行检测，尤其是对较小的行人目标的检测，本发明提供了一种行人检测方法和系统。

实现本发明目的之一的行人检测方法，包括如下步骤：

S1、根据行人检测数据集建立用于行人检测的神经网络模型；所述用于行人检测的神经网络模型用于根据读取的图片标识出图片中的行人；

S2、对所述行人检测数据集进行数据增强后输入所述用于行人检测的神经网络模型进行训练，得到训练完成的用于行人检测的神经网络模型；所述数据增强用于对行人检测数据集中的行人目标进行大小比例的调整以及数量的扩充以提高神经网络模型的行人检测精度；

所述对行人检测数据集中的行人目标进行大小比例的调整即将行人目标在图片中所占据像素面积进行等比例的缩小或放大；所述对行人检测数据集中的行人目标进行数量的扩充即通过对行人目标进行复制粘贴的操作，增加数据集中行人目标的数量；

S3、通过相机获取待检测图片，将获取的图片输入步骤S2中训练完成的用于行人检测的神经网络模型，得到对所述待检测图片中每个行人所在位置进行了标识的图片。

进一步地，所述步骤S2中，对所述行人检测数据集进行数据增强的步骤包括：

S201、统计所述行人检测数据集中大、中、小行人目标所占的比例，所述大、中、小行人目标即根据行人目标所占据的像素面积设定；

S202、随机选择行人检测数据集中的多个行人目标，根据S201 步骤中统计的大、中、小行人目标各自所占的比例，等比例缩小或放大所述多个行人目标，并将其随机粘贴到行人检测数据集中，使得所述行人检测数据集中大、中、小行人目标所占的比例相同。

此步骤的目的是为了增强不同尺度的目标的检测能力，即增强神经网络模型多尺度信息融合能力。

进一步地，所述步骤S202后还包括如下步骤：

S203、将所述等比例缩小或放大后的每一个行人目标粘贴到行人检测数据集的多个位置；

更进一步地，步骤S203中所述多个位置为多个大行人目标所在位置。

本步骤用于泛化环境中遮挡和重叠情况，即使用数据集泛化现实场景的行人在图中被环境物体或行人之间相互遮挡或者重叠的现象。其技术效果是为了增加数据集对复杂道路交通环境的泛化程度，丰富了数据集所包含的环境情况，同时也降低了制作庞大数据集的复杂性。