基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法技术

本发明专利技术公开了一种基于级联超分辨率网络与改进Faster R‑CNN的隧道行人目标检测方法，包括以下步骤：步骤S1：训练超分辨率网络，得到SRCNN超分辨率网络模型；步骤S2：获取隧道行人训练样本并对行人进行标注；步骤S3：对标注框尺寸比例进行聚类，选取RPN网络中合适的锚边框尺寸；步骤S4：训练Faster R‑CNN网络，获取训练好的模型；步骤S5：采用训练好的模型对隧道行人目标进行检测，得到检测结果。该方法相较于原始Faster R‑CNN网络，具有更高的检测精度，可以有效应用于隧道环境下低分辨率行人目标检测问题。

Tunnel Pedestrian Target Detection Based on Cascaded Super-Resolution Network and Improved Faster R-CNN

【技术实现步骤摘要】
基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法
本专利技术涉及交通数据分析处理领域，特别涉及一种基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法。
技术介绍
随着人工智能的快速发展和进步，行人检测成为计算机视觉领域中的主要研究方向之一，在智能视频监控中也占据重要地位，世界相关学者对行人检测问题进行了广泛研究。根据交通规则，高速公路隧道仅能允许车辆通行，不允许行人进入，但仍然会有行人不遵守交通规则从高速公路隧道中穿行。隧道中，环境光线不足，司机视线受限，且在车辆进出隧道时，由于环境光照的突然变化，会导致司机短暂的失明。且高速公路上汽车行驶速度快，在隧道环境下，行车道数目较少，车流密集，高速公路隧道一旦发生交通事故，往往会导致严重的人员伤亡。行人违规进入高速公路隧道会给交通安全带来极大的安全隐患，因此隧道监控视频中的行人目标检测在保障隧道安全中起到重要作用。目前大部分城市公路隧道都装有摄像头，但传统的视频监控系统还是主要通过人眼观察来发现异常事件，工作劳动强度很大，要求监控员注意力十分集中，且要有极高的警惕性和对异常事件的快速反应能力。视频监本文档来自技高网...

【技术保护点】
1.基于级联超分辨率网络与改进Faster R‑CNN的隧道行人目标检测方法，其特征在于：步骤S1：训练超分辨率网络，得到SRCNN超分辨率网络模型；步骤S2：获取隧道行人训练样本并对行人进行标注；步骤S3：根据上一步标注信息得到训练样本中隧道行人的尺寸大小和长宽比例；然后采用K‑Means聚类算法对上述步骤得到的行人尺寸大小和长宽比例进行聚类，得到最终适合隧道行人目标的锚边框尺寸比例；步骤S4：训练Faster R‑CNN网络，获取训练好的模型；步骤S5：采用训练好的SRCNN模型和Faster R‑CNN模型对隧道行人目标进行检测，得到检测结果。

【技术特征摘要】
1.基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法，其特征在于：步骤S1：训练超分辨率网络，得到SRCNN超分辨率网络模型；步骤S2：获取隧道行人训练样本并对行人进行标注；步骤S3：根据上一步标注信息得到训练样本中隧道行人的尺寸大小和长宽比例；然后采用K-Means聚类算法对上述步骤得到的行人尺寸大小和长宽比例进行聚类，得到最终适合隧道行人目标的锚边框尺寸比例；步骤S4：训练FasterR-CNN网络，获取训练好的模型；步骤S5：采用训练好的SRCNN模型和FasterR-CNN模型对隧道行人目标进行检测，得到检测结果。2.根据权利要求1所述的基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法，其特征在于：所述步骤S1具体包括以下子步骤：步骤S11:获取原始低分辨率图像，采用插值算法将低分辨率图像放大，得到超分辨率网络的训练样本；步骤S12:构建SRCNN超分辨率网络，根据训练样本对超分辨率网络进行训练，得到SRCNN超分辨率网络模型。3.根据权利要求1所述的基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法，其特征在于：所述步骤S2中，是从隧道视频中抽取图像帧，组成训练样本，然后采用标注工具对图片中的行人进行标注。4.根据权利要求1所述的基于级联超分辨率网络与改进FasterR-CNN的隧道行人目标检测方法，其特征在于：所述步骤S4中包括以下步骤：步骤S41：制作VOC格式数据集；步骤S42：搭建训练网络；步骤S43：对模型进行预训练；步骤S44：使用步骤S43获取的预训练模型...

【专利技术属性】
技术研发人员：赵敏，孙棣华，梅莹，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50