[发明专利]适用于行人目标检测的高低频交织边缘特征增强方法及构建增强网络的方法

说明书

适用于行人目标检测的高低频交织边缘特征增强方法及构建增强网络的方法，属于目标检测技术领域，要点包括：S1、选取卷积模块进行维度变换，调整特征图尺度，根据频率分配系数提取高低频特征分量；S2、将输出的高频分量经过池化和卷积模块与低频分量融合；S3、将输出的低频分量经过卷积和上采样模块与高频分量融合；S4、将输出的高频、低频融合分量经过反卷积返回特征原尺度，共同作用输出特征融合信息。效果是可以作为独立单元嵌入到深度神经网络行人目标检测系统中，能够显著增强行人目标的边缘轮廓特征信息，提升检测精度。

技术领域

本发明属于深度学习领域，涉及一种行人目标检测边缘特征增强网络。

背景技术

目标检测技术是计算机视觉中一个重要的研究领域，基于深度学习的目标检测算法正致力于不断提高检测精度，在智能汽车、智能交通、视频监控、机器人与高级人机交互等领域中有着很广泛的应用前景。

针对图像频率信息融合已有的算法可以分为两大类，第一类是基于空域的方法，通常从空域的原图像中构建融合图像，在融合颜色和纹理图像方面表现不佳。另一类是基于变换域的方法，通常分为图像分解、系数融合和图像重建三个步骤，但其融合规则复杂且具有局限性。专利申请号为20161016533.0，名称为“基于小波变换的图像融合方法及其系统”，通过离散小波变换、高低频图像处理以及分解图像融合的方法，分别对图像高低频进行处理，得到更高质量的融合图像。专利申请号为201811135170.5，名称为“一种多小波变换矢量图像融合方法”，利用多小波系数矢量的局部区域统计特征来表征图像信息的显著性，通过对图像进行小波分解，得到分解系数矢量，建立统计模型，根据融合系数进行多小波逆变换得到融合图像。以上两个专利仅通过小波变换处理频率特征，不具备空间特征的学习能力，强调对原有频率进行变换处理，忽略了对应的空间频率特征信息，检测精度仍有提升空间。

发明内容

为了解决目标检测边缘特征增强的问题，本发明提出如下技术方案：一种构建高低频交织边缘特征增强网络的方法，包括：

第一步，X∈R^n×m×w为卷积层的输入特征张量，m和w表示空间维度，n表示通道数，R为实数集合，经过卷积C₁模块进行维度变换，调整特征图尺度，统一特征图尺度大小，提取第1级的高频特征分量和低频特征分量h代表高频，l代表低频，上标代表级数；

第二步，将提取出的高频特征分量先经过P池化操作，再通过卷积C₄模块计算，初步融合高频特征分量与低频特征分量特征信息，得到第2级融合分量

第三步，将提取出的低频特征分量经过卷积C₃模块计算得到分量再与分量进行融合，共同作用输出第3级融合的低频分量构建过程为

第四步，将提取的低频分量先经过卷积C₅模块计算，再进行U上采样操作得到分量融合低频特征分量与高频特征分量的特征信息

第五步，将提取的高频分量经过卷积C₂模块计算得到分量再与分量融合，共同作用输出第3级融合的高频分量构建过程为

第六步，将第3级融合的高频分量与低频分量分别经过反卷积V模块计算，保持原尺度进一步输出第4级融合的高频分量与低频分量与幅值系数D共同作用输出特征的融合信息Y