[发明专利]基于通道分离卷积的路侧图像多尺度行人快速检测方法

权利要求书

1.基于通道分离卷积的路侧图像多尺度行人快速检测方法，其特征在于，包含以下步骤：

(1)构建包含不同尺度行人的路侧图像数据集；首先，设定用于尺度分类的两种行人像素高度阈值H₁、H₂；其次，采集并标注天桥、龙门架的典型智能路侧场景下含多尺度行人的图片样本Q张，样本分辨率为1920×1080，由此构成路侧行人检测的原始数据集O₁；再次，根据行人像素高度h及高度阈值H₁、H₂，计算出行人所属尺度类别Class；具体计算公式如下：

在上述公式中，S指代小尺度目标，M指代中尺度目标，L指代大尺度目标；

紧接着，利用轴向对称、随机切片、随机放缩、亮度调整的数据增强方式扩充O₁，由此形成增强数据集O₂；最后，划分O₂为训练数据集W、验证数据集V、测试数据集Z用于后续的算法训练、模型选取和精度测试；

(2)进行多尺度行人训练数据的尺寸下调、锚点计算的预处理操作；

(3)搭建基于通道分离卷积的改进型Faster-RCNN多尺度行人快速检测网络架构；首先，利用通道分离卷积搭建多尺度行人目标特征提取模块；其次，引入Faster-RCNN模型中的候选区域生成模块，得到粗粒度的行人目标位置；再次，设计尺寸不敏感的感兴趣区域对齐模块，获取多尺度下行人目标的精准位置；最终，集成上述的特征提取、候选区域生成、感兴趣区域对齐三种模块，形成基于通道分离卷积的改进型Faster-RCNN多尺度行人快速检测网络架构；该部分包含如下子步骤：

子步骤1：设计一种基于通道分离卷积的多尺度行人特征提取模块，具体包含：

子步骤1.1：设定特征提取层深度为13，每一层f的卷积核总体数量K_f；

子步骤1.2：设定特征提取层的每层相应卷积操作方式；首先，设定下采样操作触发条件为K_f＝2K_f-1，其中，13≥f≥2，非下采样操作触发条件为K_f＝K_f-1，其中13≥f≥2，其次，设定下采样和非下采样操作的通道分离卷积卷积核个数；根据训练数据集W中的大中小三级尺度目标个数T_L、T_M、T_S，划分卷积通道卷积核个数，即大尺度、中尺度和小尺度通道卷积核个数分别为不同尺度通道卷积核个数计算公式如下：

其中,floor(·)操作是向下取整；

子步骤1.3：设定通道分离卷积的下采样和非下采样操作流程；

子步骤1.4：设定通道聚合卷积操作，将子步骤1.3中生成的差异化特征图以通道维度进行特征图的叠加，经过3×3的特征变化之后，聚合形成不同尺度融合后的跨尺度特征图；

子步骤2：引入Faster-RCNN模型中的候选区域生成模块；

子步骤3：设计尺寸不敏感的感兴趣区域对齐模块；首先根据子步骤2中候选区域生成模块生成的粗粒度目标边界位置，根据生成目标的锚点尺寸类别G选取特定特征提取模块层级f，如11、12或13层，进行目标的感兴趣区域对齐ROIAlign^f，计算公式如下：

子步骤4：集合子步骤1中设定的特征提取模块、子步骤2中设定的候选区域生成模块、子步骤3中设定的感兴趣区域对齐模块，形成多尺度行人快速检测网络；

(4)定义多尺度行人快速检测网络损失函数；损失函数loss_total由面向行人存在性的二分类交叉熵损失函数loss_BCE和面向不同尺度行人的位置回归损失函数loss_ML构成；其中，loss_BCE是目标存在性与真实目标存在性的二分类交叉熵损失，loss_ML是目标位置与真实位置的交并比和边界框中心位置之和，整个网络损失函数的计算公式如下：

loss_total＝α×loss_BCE+(1-α)×loss_ML#(6)

其中，α为两个部分之间的平衡因子，通过在验证数据集V中选取最高识别准确率下的参数值作为该平衡因子最终值；

(5)训练获得最佳多尺度行人快速检测网络模型；

(6)用步骤5中输出的最佳网络模型进行路侧图像的多尺度行人检测。