[发明专利]一种联合自动数据增广和损失函数搜索的行人检测方法

说明书

本发明属于行人检测技术领域，具体涉及一种联合自动数据增广和损失函数搜索的行人检测方法，包括S1‑1建立神经网络模型、训练集和验证集；S1‑2构造增广策略和损失函数的搜索空间并参数化；S1‑3利用双层循环优化方案训练神经网络模型；S2‑1利用步骤S1‑1中的验证集对学习后的神经网络模型进行测试，计算正确率，若符合要求进入应用阶段，否则按照实际结果调整神经网络模型，并返回步骤S1‑3；S3‑1从视频序列中获取行人图像并输入到训练好的神经网络模型中，依靠训练好的神经网络模型精准定位行人的位置。本发明能够调整困难样例和简单样例的损失权重，自动选择数据增广策略的最优组合并能有效处理数据增广和损失函数间的平衡问题，提高行人检测准确率。

技术领域

本发明属于行人检测技术领域，具体涉及一种联合自动数据增广和损失函数搜索的行人检测方法。

背景技术

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。但由于行人兼具刚性和柔性物体的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得检测过程中常会出现漏检、误检等情况。

在现有的行人检测技术中，常采用数据增广的方法有效扩大训练集规模，提高模型的泛化能力，利用裁剪、调整亮度、平移等图像增广操作来解决漏检、误检的问题；同时通过构造损失函数来降低失误。但各函数的选择、各项操作的结合和各个参数的设定都需要具备丰富的专业知识并耗费大量的时间。同时数据增广和损失函数间还具有一定的协同效应；当通过数据增广生成更多的遮挡样例(难样例)时，可能会加剧难样例和简单样例之间的不平衡，这种不平衡导致繁杂的手工计算过程和设计组合，费时费力，并存在漏检、误检以及环境因素造成的精度不高的问题。

因此，需要一种联合自动数据增广和损失函数搜索的行人检测方法，能够解决其难样例和简单样例之间不平衡的问题。

发明内容

本发明提供一种联合自动数据增广和损失函数搜索的行人检测方法，能够调整困难样例和简单样例的损失权重，自动选择数据增广策略的最优组合并能有效处理数据增广和损失函数间的平衡问题，避免了繁杂的手工计算过程和设计组合，省时省力，同时改善漏检、误检以及环境因素造成的精度不高的问题，提高检测精度。从而解决现有技术中存在的问题。

一种联合自动数据增广和损失函数搜索的行人检测方法，包括以下步骤：

S1，学习阶段：

S1-1：建立神经网络模型，构建训练集和验证集，所述训练集和验证集包括带有标注信息的行人图像样本库；

S1-2：构造增广策略和损失函数的搜索空间并参数化；

S1-3：利用双层循环优化方案训练神经网络模型；

S2，测试阶段：

S2-1：利用步骤S1-1中的验证集对学习后的神经网络模型进行测试，计算正确率，若符合要求进入应用阶段，否则按照实际结果调整神经网络模型，并返回步骤S1-3；

S3，应用阶段：

S3-1：从视频序列中获取行人图像并输入到训练好的神经网络模型中，依靠训练好的神经网络模型精准定位行人的位置。

采用这样的方法，通过构造增广策略和损失函数的搜索空间，将数据增广策略和损失函数策略建模为具有不同参数的分布，利用双层循环优化方案自动搜索出最优数据增广策略和损失函数的组合方法，避免了繁杂的手工计算过程和设计组合，省时省力，同时改善漏检、误检以及环境因素造成的精度不高的问题，提高检测精度。

进一步的，所述步骤S1-2包括如下步骤：

A1：使用增广操作构造增广策略的搜索空间并参数化表示；所述增广操作包括模拟遮挡操作、强度和色彩操作以及几何操作，所述模拟遮挡操作包括类内遮挡和类间遮挡；