[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

说明书

本发明公开了基于通道分离卷积的路侧图像多尺度行人快速检测方法，该方法克服了现在大多数行人检测模型难以对多尺度行人目标进行快速精准检测的难题，创新性的提出了基于通道分离卷积的检测网络，该网络首先通过样本相关的通道分离卷积操作，针对多尺度目标设定不同类别的卷积操作，缓解了样本不均衡条件下的精度差距，其次设计了尺度不敏感的感兴趣区域对齐结构，利用不同层级的特征图来对不同尺度的目标进行推理，避免了单一层级推理时的梯度竞争，最后，设计了尺度不敏感的损失函数用于提升多尺度行人目标位置的精确度，本发明设计的检测方法获得了准确度与实时性的双重提升，可以在路侧视角下实现快速、准确、可靠的行人检测。

技术领域

本发明属于计算机视觉与智能交通系统领域，涉及智能路侧设备的图像行人快速检测方法，尤其是基于通道分离卷积的路侧图像多尺度行人快速检测方法。

背景技术

伴随着我国道路通车里程和道路交通规模快速增长，行人与车辆之间的交通运输事故频发。为减少驾驶员、智能汽车及行人本身等因素照成的交通安全事故，采用电子信息化技术辅助周边行人对驾驶员或者智能汽车进行安全预警的智能路侧系统已成为国内外研究的重点。在智能路侧系统的关键技术中，对感知区域中不同尺度大小行人的全面、准确、实时检测识别是体现智能路侧系统存在价值的重要一环。

虽然行人检测技术早在90年代已有研究，但早期的行人检测算法仅仅基于人工设计的有限特征的来辅助机器进行判别，算法精度不高。人工设计的行人目标特征通常仅从某一个或某几个方面来描述行人的外观特征，如灰度、边缘、纹理、梯度直方图等，其所设计特征的维度较低、丰富度不足，因此在背景简单的场景下使用时能够表现出尚可的性能，但对于日常环境中大量存在的尺度变化和局部遮挡等复杂场景则难以保持较高的检测质量。

随着深度学习技术的兴起，行人检测算法开始逐步引入深度神经网络的多层卷积结构来自主提取行人特征，这种利用大量非线性映射的网络结构可以使特征具有很强的层次表达能力，但是其单一的尺度处理结构，难以同时满足不同尺度目标的高精度检测需求，并且由于深度结构的引入，算法在兼顾精确度的前提下很难满足智能路侧系统要求的实时性。在此背景下，既能兼顾多尺度检测精度与时效性的检测网络结构性改进方法成为了大规模推广智能路侧系统的关键所在。

发明内容

为解决以上描述的问题，本发明公开了一种基于通道分离卷积的路侧图像多尺度行人快速检测方法，该方法针对当前路侧视角下行人检测深度学习算法对尺度变化的行人目标检测能力不足、算法推理时间过长的严重缺陷，设计了能够对不同尺度行人目标进行快速准确识别的深度学习网络结构，该算法结构具备多尺度检测准确率高、检测时间短的核心优势。

为了到达上述目的，本发明提供如下技术方案：

基于通道分离卷积的路侧图像多尺度行人快速检测方法，包括以下步骤：

(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、龙门架等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、亮度调整等数据增强方式扩充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、锚点计算等预处理操作。