[发明专利]基于深度学习的遮挡行人检测方法

说明书

本发明公开了一种基于深度学习的遮挡行人检测方法。主要解决现有技术对遮挡行人检测效果差的问题。其实现方案是：读取行人检测数据库数据，使用VGG网络提取特征；将VGG网络不同层提取的特征进行融合，得到融合特征，并将VGG网络最后一层特征作为非融合特征；构建掩码网络，将融合特征和非融合特征分别输入到掩码网络中，得到两种有缺失的卷积特征；构建判别网络，将掩码网络得到的两种特征输入到判别网络，选择出更有效的特征；使用选择出的特征获得候选区域，通过候选区域，得到最终的检测结果。本发明提高了对遮挡行人的检测效果，可用于无人驾驶与辅助驾驶。

技术领域

本发明属于图像处理技术领域，特别涉及一种针对遮挡行人检测方法，可用于无人驾驶或辅助驾驶。

背景技术

目前，模式识别技术和计算机视觉技术炙手可热，而行人检测作为图像处理的和机器视觉的一个研究领域，起到了举足轻重的作用。机器视觉的广泛应用，引领了新的科技潮流。因此，越来越多的学者投入到了这股浪潮之中。这场新兴技术革命正在全球席卷而来，全球的学者和商人都将战略的眼光投入到这块领域，力争能够取得制高点。

近年来，越来越多的大学、汽车生产厂家、互联网巨头、国家科研所都设立了专门的研究中心，力争能够将模式识别技术和机器视觉技术应用到工业、商业领域，创造出巨大的价值。而行人检测作为图像处理和机器视觉炙手可热的热点，更是受到了更加广泛的关注。近年来间，随着人工智能与互联网爆炸式增长，欧盟斥巨资资助成立了多个行人检测系统；本田汽车公司将行人检测应用到汽车辅助驾驶系统，以提高汽车的安全驾驶性能；苹果、谷歌、FACEBOOK等互联网巨头早已将行人检测应用到无人驾驶汽车，通过将行人检测应用到汽车智能辅助驾驶系统，来引领下一次科技革命。

行人检测成为一个非常具有挑战性的研究课题。现有的方法包括基于手工提取特征的方法和基于深度学习的方法。

基于手工提取特征的方法已有十多年的快速发展，很多学者做了大量的工作。2005年，Dalal等人提出了梯度方向直方图表征图像的局部方差，并使用了线性的支持向量机进行特征的分类。2007年，Dollar等人组合了局部通道特征和标准的boosting算法进行行人检测。2013年，R.Benenson等人使用了局部通道特征(ICF)进行行人检测，并对影响ICF效果的多种因素做了详细的探讨。同年，Prioletti等人使用基于Haar特征的级联分类器产生可能存在的行人目标区域，并通过基于HOG特征的滤波器进一步确认这些区域中是否存在行人目标。2014年，Nam等人提出将行人目标的梯度特征和颜色特征进行局部去相关处理，增强boosted分类器的分类能力。2017年，J.Baekthe等人提出了一种“附加核支持向量机(AKSVM)”作为特征分类器，并采用遗传算法对AKSVM进行优化。然而手工提取特征方法的准确率已经远远达不到现在人们对于高精度的需求。

随着训练数据的大规模增长和计算能力的大幅增强，深度学习方法在行人检测领域取得了成功。2015年，Yang等人提取卷积通道特征CCF中的低层特征，使用增强森林模型作为特征分类器实现行人检测。同年，Cai等人提出复杂感知级联训练CompACT，用于整合手工提取特征和CNN提取的特征，在精度和速度之间得到了一个良好的平衡。2016年，Zhang等人使用RPN得到行人目标的卷积特征，然后使用增强森林分类器实现行人检测。2018年，You等人使用了简单的三个卷积层增强“聚集通道特征”，并使用adaboost分类器来判断输入图像是否包含行人。然而，上述深度学习方法没有考虑到卷积层对于不同输入图像表达效果不同的问题，也没有考虑到实际情况中遮挡行人样本数量较少的问题,导致上述方法对遮挡行人的检测效果较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于深度学习的遮挡行人检测方法，以提高对遮挡行人的检测效果。

为实现上述目的，本发明提出了判别网络和掩码网络，其实现方案包括如下：