[发明专利]融合注意力机制的实时行人检测方法

权利要求书

1.一种融合注意力机制的实时行人检测方法，其特征在于，包括如下步骤：

S1：选取Tiny YOLOV3算法，包括如下小步：

S11：先将图像划分成S×S个网格，每个网格预测B个边界框及置信度和C个类别概率，置信度公式为：

其中，P(object)为网格中目标存在概率,为预测框和真实框的交并比；

S12：Tiny YOLOV3的特征提取网络为7层卷积和6层最大池化，同时简化YOLOV3的多尺度检测，采用26×26和13×13两种检测尺度对特征图进行预测输出；

S2：加深特征提取网络，包括如下小步：

S21：首先通过3×3卷积将通道数扩张到上一层的2倍，提取高维特征；

S22：然后通过1×1卷积，将通道数压缩为原来的2倍，降低通道维度，减少计算量同时实现信息的跨通道交互；

S23：最后再通过3×3卷积扩张通道，恢复原来的通道维度；

S3：融合通道注意力的预测网络：将注意力机制引入到Tiny YOLOV3的预测网络，利用注意力机制融合不同尺度的信息，Tiny YOLOV3的预测网络对两个尺度的特征图进行融合,对特征通道赋予不同的权重，引导网络关注行人特征，降低干扰信息的影响从而提高检测精度，包括如下小步：

S31：引入了无降维的轻量级通道域注意力机制ECA-Net，输入特征图X∈R^H×W×C，X有C个特征通道；

S32：通过全局平均池化对全局空间信息进行压缩，即在空间维度H×W上进行压缩，得到1×1的权重信息，全局平均池化公式如下：

其中，Y为压缩之后得到的权重，H×W为空间维度信息；

S33：为了使网络自动学习不同通道的注意力权重，使用一维卷积来完成跨通道的信息交互，一维卷积核的大小由通道维数C的函数来自适应确定，计算一维卷积核大小的公式为：

S34：将得到的卷积核用于一维卷积，并使用Sigmoid得到每个通道的权重，公式如下：

ω_c＝σ(C1D_k(Y)) (4)

其中，σ是Sigmoid激活函数，ω_c是生成的通道注意力权重，维度为1×1×C；

S35：然后将注意力权重与输入特征图进行加权，实现对特征图通道的重要性表达，加权公式如下：

其中，表示逐元素相乘，X_c表示通过注意力机制的输出结果；

S4：改进损失函数和激活函数，包括如下小步：

S41：在训练过程中，Tiny YOLOV3的损失函数分为三部分，分别为边界框回归损失、置信度损失和分类损失，总的Loss用公式(6)表示：

其中，i表示尺度；

S42：采用广义交并比GIOU作为回归损失，IOU和GIOU的定义如下：

其中，B表示预测框，B_gt表示真实框，C₁表示包含真实框和预测框的最小封闭面；

S43：激活函数是卷积神经网络的重要单元，使网络引入非线性因素，使模型不再单一，有利于网络更好的学习，改进后的特征提取网络采用Mish激活函数。

2.根据权利要求1所述的融合注意力机制的实时行人检测方法，其特征在于，所述步骤S1中，YOLO系列算法是基于卷积神经网络的一阶段目标检测算法，Tiny YOLOV3是在YOLOV3基础上的简化版本。

3.根据权利要求1所述的融合注意力机制的实时行人检测方法，其特征在于，所述步骤S2中，借鉴密集连接网络的思想，在增加的3×3卷积层之前，引入卷积核大小为1×1的卷积层，降低通道维度，以减少网络的计算量。

4.根据权利要求1所述的融合注意力机制的实时行人检测方法，其特征在于，所述步骤S12中，两个检测尺度输出的特征图尺寸分别为13×13和26×26，即输入图像被划分为13×13和26×26的网格，分别检测远距离和近距离的行人，每个网格与通道一一对应。