[发明专利]基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法

说明书

本发明公开了一种基于级联超分辨率网络与改进Faster R‑CNN的隧道行人目标检测方法，包括以下步骤：步骤S1：训练超分辨率网络，得到SRCNN超分辨率网络模型；步骤S2：获取隧道行人训练样本并对行人进行标注；步骤S3：对标注框尺寸比例进行聚类，选取RPN网络中合适的锚边框尺寸；步骤S4：训练Faster R‑CNN网络，获取训练好的模型；步骤S5：采用训练好的模型对隧道行人目标进行检测，得到检测结果。该方法相较于原始Faster R‑CNN网络，具有更高的检测精度，可以有效应用于隧道环境下低分辨率行人目标检测问题。

技术领域

本发明涉及交通数据分析处理领域，特别涉及一种基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法。

背景技术

随着人工智能的快速发展和进步，行人检测成为计算机视觉领域中的主要研究方向之一，在智能视频监控中也占据重要地位，世界相关学者对行人检测问题进行了广泛研究。根据交通规则，高速公路隧道仅能允许车辆通行，不允许行人进入，但仍然会有行人不遵守交通规则从高速公路隧道中穿行。隧道中，环境光线不足，司机视线受限，且在车辆进出隧道时，由于环境光照的突然变化，会导致司机短暂的失明。且高速公路上汽车行驶速度快，在隧道环境下，行车道数目较少，车流密集，高速公路隧道一旦发生交通事故，往往会导致严重的人员伤亡。行人违规进入高速公路隧道会给交通安全带来极大的安全隐患，因此隧道监控视频中的行人目标检测在保障隧道安全中起到重要作用。

目前大部分城市公路隧道都装有摄像头，但传统的视频监控系统还是主要通过人眼观察来发现异常事件，工作劳动强度很大，要求监控员注意力十分集中，且要有极高的警惕性和对异常事件的快速反应能力。视频监控工作单一无趣，对监控人员的耐心是极大的挑战。且在摄像头集群较多的情况下，即使监控人员注意力高度集中全身心投入，也无法保证监控系统的安全性和有效性。因此智能化的视频监控成为了监控领域的必然趋势。视频画面中的数据规模往往很大，智能视频技术可以结合计算机的高效数据处理能力来对其进行分析以实现目标的自动检测，发现异常情况，实现自动报警，从而更快速有效地提醒相关工作人员进行处理。且能24小时不间断地工作，大大节省了人力物力，更极大地提高了监控系统的准确性与安全性。

现有行人检测技术中，传统的基于图像处理的行人检测方法主要通过人工构造行人特征，再通过分类器进行分类的方式进行检测。常用的行人特征有HOG特征，Haar-like特征，LBP特征等，此类特征主要根据人体的轮廓信息、纹理信息等来描述人体形状，特征表达能力不足，检测效果难以满足要求。如湖南创合制造有限公司申请的“基于视频监控的行人检测方法”(公开号：CN101887524)，利用扩展梯度直方图特征与Adaboost算法来检测行人，然后利用梯度直方图特征和支持向量机来进一步验证前面检测出来的行人。这种方式需要提取图像的梯度直方图特征，在隧道环境下图像分辨率不高、行人目标较小时，获取的特征不理想，导致检测效果不佳。深度学习在近年来发展迅速，在目标检测领域取得了巨大的成功，通过构建多层卷积神经网络，可以自动学习目标特征，并且可以将多种底层特征组合成表示能力更强、语义信息更丰富的高层特征。因此基于卷积神经网络的目标检测方法能获得更好的检测效果。如广州广电银通金融电子科技有限公司申请的“一种针对复杂场景下的小目标行人检测方法”，采用神经网络对行人样本进行训练，利用共享特征提取网络提取特征，得到特征图，利用分类特征提取网络对特征图提取分类特征，得到分类特征图，根据分类特征图和候选区域提取相应的分类特征进行是否是行人目标的分类。该发明可以有效解决复杂场景下小目标检测的误检率高问题。但是在隧道环境中，图像分辨率低，神经网络特征提取效果差，因此在实际隧道环境中检测效果不佳。

发明内容