一种骑车人检测方法及系统技术方案

本发明专利技术公开了一种骑车人检测方法及系统，包括：获得待检测图像；利用基于局部去相关特征的区域提取方法获得边界框，根据边界框对原图进行裁剪得到最终的候选区域；将候选区域多分支YOLO金字塔网络进行进一步的检测，获得各分支的检测结果；将各分支的检测结果进行后期处理，将所有的边界框映射到原图之后，针对多边界框检测一个目标的情况使用了非最大值抑制的方法寻找置信度最高的边界框以获得最终的检测结果。借助图像金字塔和多分支的YOLO网络，搭建了检测网络(PM‑YOLO)，以解决漏检问题。

A detection method and system for cyclists

【技术实现步骤摘要】
一种骑车人检测方法及系统
本专利技术属于智能交通领域，尤其涉及人工智能与计算机视觉。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。检测是指在场景中对目标物体进行分类，并对其进行准确定位。检测的主要方式有两种，一种是基于传感器的检测方法，一种是基于视觉的检测方法。而传感器(如：激光雷达、雷达等)价格普遍较高，因此，基于视觉的检测方法是目前研究的重点，且本专利技术研究的是基于视觉的骑车人检测方法。骑车人检测是检测的一种，其旨在场景中对寻找是否具有骑车人，并对其进行准确定位。目前普遍的骑车人检测方法是基于机器学习和深度学习两种，深度学习方法的主要思想是先搭建好卷积神经网络，将带有骑车人的图像以及骑车人在图像中的位置信息输入网络，让网络去学习。从而在检测时，网络能够在一张新的图像上判断是否有骑车人以及找到起准确的位置。由于骑车人的速度相对较快，活动自由度较大等问题，因此更易发生交通事故。近年来，检测骑车人成为先进辅助驾驶系统的研究重点。然而，由于遮挡、骑车姿势的多样性、自行车的多样性、以及车速太快导本文档来自技高网...

【技术保护点】
1.一种骑车人检测方法，其特征是，包括：/n获得待检测图像；/n利用基于局部去相关特征的区域提取方法获得边界框，根据边界框对原图进行裁剪得到最终的候选区域；/n将候选区域多分支YOLO金字塔网络进行进一步的检测，获得各分支的检测结果；/n将各分支的检测结果进行后期处理，将所有的边界框映射到原图之后，针对多边界框检测一个目标的情况使用了非最大值抑制的方法寻找置信度最高的边界框以获得最终的检测结果。/n

【技术特征摘要】
1.一种骑车人检测方法，其特征是，包括：
获得待检测图像；
利用基于局部去相关特征的区域提取方法获得边界框，根据边界框对原图进行裁剪得到最终的候选区域；
将候选区域多分支YOLO金字塔网络进行进一步的检测，获得各分支的检测结果；
将各分支的检测结果进行后期处理，将所有的边界框映射到原图之后，针对多边界框检测一个目标的情况使用了非最大值抑制的方法寻找置信度最高的边界框以获得最终的检测结果。


2.如权利要求1所述的一种骑车人检测方法，其特征是，对于待检测图像，利用LDCF计算十个通道特征，包括LUV三个色彩通道、一个归一化的梯度幅值以及六个方向梯度，并对这些通道进行去相关化的操作。


3.如权利要求2所述的一种骑车人检测方法，其特征是，对于每个通道x中的m×m块p，一个去相关表示由QTp和一个正交树计算得到，这里的Q代表一个正交矩阵，通过特征分解Σ＝QΛQ得到，其中Σ代表一个独立类别的协方差阵。


4.如权利要求1所述的一种骑车人检测方法，其特征是，对经过LDCF得到的边界框按其位置从上至下、从左至右进行排序。


5.如权利要求4所述的一种骑车人检测方法，其特征是，两个边界框距离小于一定阈值或者部分遮挡；
将这两个边界框合并成一个大的边界框，边界框的左上角坐标为两个边界框的x方向最小坐标和y方向最小坐标，边界框的右下角坐标为两个边界框的x方向最大坐标和y方向最大坐标，对得到的边界框向外扩充到固定尺寸b×b。


6.如权利要求4所述的一种骑车人检测方法，其特征是，两个边界框距离较远：直接对边界框进行扩充到固定尺寸b×b。


7.如权利要求1所述的一种骑车人检测方法，其特征是，建立了一个图像金字塔，以得到不同的图像尺寸；
建立多个YOLO分支，每一个分支为一个YOLO网络，其分支数与金字塔层数相同，即金字塔的每一层对应一个YOLO网络，将多分支的YOLO网络与金字塔合在一起，得到总的检测网络；
将候选区域输入该金字塔，得到多个不同尺寸的候选区域；
将不同尺寸的候选区域送入对应输入尺寸的YOLO分支，进行各个尺度上的检...

【专利技术属性】
技术研发人员：刘春生，郭钰，常发亮，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37