基于深度学习及多特征点融合的行人检测方法技术

本发明专利技术涉及一种基于深度学习及多特征点融合的行人检测方法，在训练阶段首先采集应用场景下的行人图像并标注图像中行人的头肩部位然后将这些行人样本用于模型训练，模型训练分为两个步骤：1)以行人的头肩图像作为训练样本并训练一个行人头肩部位的二分类模型；2)用步骤1)训练得到的模型参数来以迁移学习的方式来初始化行人检测模型的部分参数。本发明专利技术可以在一定程度上克服行人相互遮挡的问题；采用深度学习方法来提取行人特征，可以更好地克服行人衣着、姿态、所处背景、光照条件等因素发生改变的实际应用问题；还可以有效地克服行人多姿态，行人多尺度以及行人相互遮挡等问题，大大提高了行人检测的准确率和鲁棒性。

【技术实现步骤摘要】
基于深度学习及多特征点融合的行人检测方法
本专利技术涉及图像处理与计算机视觉
，具体是一种基于深度学习及多特征点融合的行人检测方法。
技术介绍
计算机视觉作为人工智能的一个重要分支，涉及了图像处理、机器学习、模式识别、自动控制等许多领域的前沿技术。计算机视觉发展至今，已经被广泛应用在安防监控、智能交通、自动驾驶、智能机器人、工业检测以及航天航空等众多领域。目标检测是计算机视觉领域的热门课题，其中行人检测在长期以来都是学术界和工业界的关注热点。行人检测技术就是对于给定的图像或者视频，需要让计算机自动判断出图像或视频中是否存在行人，若存在行人还需要让计算机确定所有行人在图像中的具体位置。行人检测并不是一门孤立的技术，它与很多问题都有紧密的联系。行人检测是行人跟踪、行人步态分析、行人行为分析、行人身份再识别等应用的重要基础与前提。因此，行人检测具有极高的科研和商业价值。目前常用的行人检测方法大致有：帧差法、光流法、背景差法、基于模板匹配的方法和基于特征分类的方法。其中，前四种都是基于图像处理技术的行人检测方法。该类方法虽然实现简单，但对行人姿态、衣着、所处背景、光照条件等因素发生变化本文档来自技高网...

【技术保护点】
一种基于深度学习及多特征点融合的行人检测方法，包含训练阶段和检测阶段，其特征在于：训练阶段首先采集应用场景下的行人图像并标注图像中行人的头肩部位然后将这些行人样本用于模型训练，其中模型训练分为两个步骤：1)以行人的头肩图像作为训练样本并采用Triplet Loss的方式来训练一个行人头肩部位的二分类模型；2)用步骤1)训练得到的模型参数来以迁移学习的方式来初始化行人检测模型的部分参数；该行人检测模型作为最后检测阶段使用的模型，采用了端到端的训练方式，包含了候选区域提取、行人特征提取及特征分类的功能。

【技术特征摘要】
1.一种基于深度学习及多特征点融合的行人检测方法，包含训练阶段和检测阶段，其特征在于：训练阶段首先采集应用场景下的行人图像并标注图像中行人的头肩部位然后将这些行人样本用于模型训练，其中模型训练分为两个步骤：1)以行人的头肩图像作为训练样本并采用TripletLoss的方式来训练一个行人头肩部位的二分类模型；2)用步骤1)训练得到的模型参数来以迁移学习的方式来初始化行人检测模型的部分参数；该行人检测模型作为最后检测阶段使用的模型，采用了端到端的训练方式，包含了候选区域提取、行人特征提取及特征分类的功能。2.如权利要求1所述的基于深度学习及多特征点融合的行人检测方法，其特征在于所述训练阶段包括以下步骤：1)采集并标注训练数据集；2)训练二分类模型；3)训练多特征点融合的行人检测网络。3.如权利要求2所述的基于深度学习及多特征点融合的行人检测方法，其特征在于所述采集并标注训练数据集包括以下步骤：采集实际应用场景图像，然后使用矩形框对图像中的行人头肩部位进行标注，并将矩形框在图像中的左上角坐标与右下角坐标记录下来，记为{x0，y0，x1，y1}，最后将标注好的图像进行水平翻转来扩充数据集，相应地，标记行人头肩部位的矩形框进行水平翻转记为{x′0，y...

【专利技术属性】
技术研发人员：刘宁，黄德亮，姚磊，王作辉，袁德胜，
申请(专利权)人：中山大学，上海汇纳信息科技股份有限公司，
类型：发明
国别省市：广东,44