[发明专利]密集行人检测方法

权利要求书

1.一种密集行人检测方法，其特征在于，步骤如下：

步骤1：基于大型密集行人检测数据集CrowdHuman，读取包围框真值，构建检测头部训练使用的标签；

搭建卷积神经网络，基于单阶段目标检测算法CenterNet，该方法的检测头部有三个输出分支，分别为预测目标的中心点响应即为预测框得分、目标精确位置相对于输出网格位置的偏移量以及目标的宽和高；

步骤2：固定密度估计头部参数，训练其余部分直到收敛；

步骤3：由检测头部的输出计算预测框和对应的得分按照公式(1)计算第i个真值与第π(i)个预测候选框的匹配能量Q_i,π(i)；其中Ω_i表示所有预测候选框的集合，表示预测框置信度，IoU(·,·)表示两个包围框的重叠度，α∈[0,1]为匹配能量函数中预测框质量所占比重；使用匈牙利算法求解公式(2)，得到真值框与预测框的最优匹配

步骤4：利用上一步得到的与真值框唯一匹配的预测框和其对应得分，以预测框为中心，以1/6预测框的宽和高为标准差，构建二维高斯激活图，在预测框对应位置叠加得到密度图的训练真值；

步骤5：固定编码器解码器部分和检测头部，使用二范数损失函数单独训练密度估计头部参数，直到收敛；

步骤6：放开所有参数，联合训练整个卷积神经网络，直到收敛；

步骤7：测试应用阶段，将图片输入卷积神经网络，得到四项输出，分别为得分激活图，预测框的高和宽，实际中心点相对于预测输出网格的细微偏移量以及密度预测图H_m；

步骤8：通过步骤7的前三项计算得到预测候选框，每张图筛选得分大于0.05的2000个得分最高的候选框，得到预测候选框集合以及对应的得分设置非极大值抑制的阈值为N_t；

步骤9：初始化输出预测候选框为空集；

步骤10：从中选出最大的一个，得到序号k；更新H_m＝H_m-Gauss(b_k)，其中，Gauss(b_k)为候选框b_k生成的高斯激活图；更新

步骤11：对所有如果iou(b_k,b_i)＞N_t，计算如果则更新其中Norm()为矩阵的二范数；

步骤12：循环步骤10和步骤11直到为空集；输出和