[发明专利]一种基于PyTorch的行人检测方法

说明书

本发明公开了一种基于PyTorch的行人检测方法；包括：输入N张行人图像；对所述N张行人图像进行预处理；分别对预处理后的每张图像用已知网络进行特征提取，获得每张图像对应的多个特征图信息；对多个特征图信息进行特征融合；对融合后的特征图信息进行预测框回归处理，并筛选出最优预测框；输出带有最优预测框的图像；通过该方法可以丰富数据集、减少GPU数量，同时提高行人检测方法的精度和速度。

技术领域

本发明属于数字图像处理技术领域，特别是一种基于PyTorch的行人检测方法。

背景技术

随着智能化不断发展，智能监控系统、车辆辅助系统、智能机器人等智能化的系统不断普及，同时行人检测的重要性逐渐体现出来，行人检测结果的准确性决定了智能设备的使用效果。当前行人检测技术在空旷无人的环境中体现出来的结果较为理想，但是在复杂拥挤的行人道路中效果较差。由于行人的动作多变，因此要想取得好的检测效果，就需要对行人检测算法的精度和速度提出更高的要求。

2021年NataprawiraJason等人使用多光谱图像和深度神经网络进行行人检测，对不同光照条件下的行人检测性能进行了评估，然后提出采用多光谱图像和深度神经网络来提高检测精度。部分研究人员使用多摄像头传感器来实现基于视觉的人员跟踪系统，提出一种新颖高效的深度学习行人检测和人类感知约束的标准化，可以较好实现交互机器人跟随行人的操作。中南大学邹逸群等人研究了Anchor-free的尺度自适应行人检测算法，Anchor作为行人检测算法中的初始框，解决了行人在移动状态下的问题并且降低行人尺度变化的问题。然而，使用Anchor需要精心调整参数，它是对检测性能影响非常大的Anchor超参数，如Anchor的尺度和高宽比等，为解决这一问题，邹逸群等人提出一种基于Anchor-free损失函数的行人检测算法，并通过融合特征金字塔网络(FPN)检测并提取分支的特征，使Anchor-free行人检测算法在训练过程中不需要为FPN的每个检测分支设置有效的训练尺度范围，另外，还提出一个尺度注意力(scale attention,SA)模块，用于融合FPN所有检测分支特征的过程，使网络在检测某个尺度的行人时，能够自适应地为行人所对应的不同尺度的感兴趣区域(ROI)特征赋予合适的权重。但是以上方法输入图像数据集有限，需要一定的GPU来辅助进行，图像缩放有一定的限制，行人检测算法的精度和速度有待提高。

因此，如何丰富数据集、减少GPU数量，同时提高行人检测方法的精度和速度，成为当前研究的关键问题。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种基于PyTorch的行人检测方法，通过该方法可以丰富数据集、减少GPU数量，同时提高行人检测方法的精度和速度。

本发明实施例提供了一种基于PyTorch的行人检测方法，包括：

S1、输入N张行人图像；

S2、对所述N张行人图像进行预处理；

S3、分别对预处理后的每张图像进行特征提取，获得每张图像对应的多个特征图信息；

S4、对所述多个特征图信息进行特征融合；

S5、对融合后的特征图信息进行预测框回归处理，并筛选出最优预测框；

S6、输出带有最优预测框的图像。

进一步地，所述S2具体包括：

S21、对所述N张行人图像进行Mosaic数据增强处理；

S22、分别对所述数据增强后的图像进行自适应图像缩放，使每张图像的长度值和宽度值趋近2ⁿ。

进一步地，所述S3具体包括：

S31、对所述预处理后的每张图像进行Focus切片处理；