[发明专利]基于多粒度深度特征学习的行人检测方法及装置

权利要求书

1.一种基于多粒度深度特征学习的行人检测方法，其特征在于，包括以下步骤：

将输入图像传输至细粒度深度特征生成网络和检测网络；

通过所述细粒度深度特征生成网络生成行人解析图，以得到细粒度深度特征，并通过所述检测网络得到检测特征；

对所述细粒度深度特征和所述检测特征进行元积，以显著化行人区域的特征和平滑背景区域的特征，并获取多粒度深度特征；以及

根据所述多粒度深度特征得到行人检测结果。

2.根据权利要求1所述的基于多粒度深度特征学习的行人检测方法，其特征在于，所述细粒度深度特征生成网络为像素级别的二分类网络，其中，所述通过所述细粒度深度特征生成网络生成行人解析图，以得到细粒度深度特征，进一步包括：

将所述输入图像的每一个像素分为背景和行人；

根据所述背景和行人生成行人解析图；

将所述行人解析图转化为所述细粒度深度特征。

3.根据权利要求2所述的基于多粒度深度特征学习的行人检测方法，其特征在于，所述通过所述检测网络得到检测特征，进一步包括：

将多个不同分辨率和感受野的卷积层作为检测层，其中，每个检测层负责预设尺度的目标，以解决行人检测任务中多尺度问题；

将每个检测特征输入检测模块，以得到检测结果图，其中，在所述检测模块引入目标的环境信息。

4.根据权利要求1所述的基于多粒度深度特征学习的行人检测方法，其特征在于，所述多粒度深度特征为：

A_s,c＝D_s,c(M)⊙F_S,C，

其中，A_s,c为多粒度深度特征，M为行人解析图，D_s,c为细粒度深度特征变换操作，s为下采样倍数，c为通道数，F_S,C为检测层特征，⊙为元积操作。

5.根据权利要求1-4任一项所述的基于多粒度深度特征学习的行人检测方法，其特征在于，通过以下多任务目标函数训练深度卷积网络：

L＝L_box+λ_cL_conf+λ_sL_seg，

其中，L为目标函数，L_box为检测框回归函数，λ_s和λ_c均为权重，L_conf为分类目标函数，L_seg为行人解析目标函数。

6.一种基于多粒度深度特征学习的行人检测装置，其特征在于，包括：

生成模块，用于将输入图像传输至细粒度深度特征生成网络和检测网络；

第一获取模块，用于通过所述细粒度深度特征生成网络生成行人解析图，以得到细粒度深度特征，并通过所述检测网络得到检测特征；

第二获取模块，用于对所述细粒度深度特征和所述检测特征进行元积，以显著化行人区域的特征和平滑背景区域的特征，并获取多粒度深度特征；

检测模块，用于根据所述多粒度深度特征得到行人检测结果。

7.根据权利要求6所述的基于多粒度深度特征学习的行人检测装置，其特征在于，所述细粒度深度特征生成网络为像素级别的二分类网络，其中，所述第一获取模块，进一步包括：

划分单元，用于将所述输入图像的每一个像素分为背景和行人；

生成单元，用于根据所述背景和行人生成行人解析图；

转化单元，用于将所述行人解析图转化为所述细粒度深度特征。

8.根据权利要求7所述的基于多粒度深度特征学习的行人检测装置，其特征在于，所述第一获取模块，进一步包括：

解决单元，用于将多个不同分辨率和感受野的卷积层作为检测层，其中，每个检测层负责预设尺度的目标，以解决行人检测任务中多尺度问题；

获取单元，用于将每个检测特征输入检测模块，以得到检测结果图，其中，在所述检测模块引入目标的环境信息。