基于神经网络的人头检测方法、系统及存储介质技术方案

本申请实施例中提供了一种基于神经网络的人头检测方法、系统及存储介质。采用本申请基于神经网络的人头检测方法，通过输入被测图像至深度残差网络提取得到特征响应图；然后，输入特征响应图至空间注意力网络得到注意力图，注意力图用于增强特征响应图得到增强特征响应图；其次，输入增强特征响应图至区域生成网络RPN得到候选框；最后根据候选框的特征得到人头检测结果。通过空间注意力网络获得增强的特征，并提高了分类能力，从而提高了头部和相对区域的特征的质量，有效的提高人头检测的准确程度。通过特征模拟方法进一步提高了分类能力。解决了现有技术的现有的人头检测方法无法很好的解决复杂场景中的漏检和虚警的问题。

Head detection method, system and storage medium based on Neural Network

【技术实现步骤摘要】
基于神经网络的人头检测方法、系统及存储介质
本申请属于图像识别及检测
，具体地，涉及一种基于神经网络的人头检测方法、系统及存储介质。
技术介绍
人头检测是许多与人头相关的应用程序任务的基本任务，例如：人物识别，视觉跟踪和动作识别等任务。在安全和紧急管理中，也需要检测每个人的位置并通过人头数量计算总人数。特别是在某些无人监管并且拥挤的环境中，事故发生的可能性增加，需要对人数做出限制或者利用检测出来的人头的结果做后续的任务，人头检测是一项广泛使用的任务，需要再复杂场景下通过人的头部检测来识别人的存在，头部检测属于目标检测中的子类，需要找到图片中人头的所在位置。这就对检测器的性能提出来更高的要求。人头检测可以视为目标检测的一种特定形式。许多基于卷积神经网络CNN(ConvolutionalNeuralNetworks)的目标检测方法已经在头部检测任务中进行了优化，并获得了显著的性能提升。但是，人头检测仍然是一个十分具有挑战性的问题。在复杂的场景下，由于照片中人头的遮挡，场景的照明和模糊的干扰，存在许多人头检测误报和漏检的现象。大大降低了本文档来自技高网...

【技术保护点】
1.一种基于神经网络的人头检测方法，其特征在于，包括以下步骤：/n输入被测图像至深度残差网络提取得到特征响应图；/n输入所述特征响应图至空间注意力网络得到注意力图，所述注意力图用于增强所述特征响应图得到增强特征响应图；/n输入所述增强特征响应图至区域生成网络RPN得到候选框；/n根据所述候选框的特征得到人头检测结果。/n

【技术特征摘要】
1.一种基于神经网络的人头检测方法，其特征在于，包括以下步骤：
输入被测图像至深度残差网络提取得到特征响应图；
输入所述特征响应图至空间注意力网络得到注意力图，所述注意力图用于增强所述特征响应图得到增强特征响应图；
输入所述增强特征响应图至区域生成网络RPN得到候选框；
根据所述候选框的特征得到人头检测结果。


2.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述空间注意力网络结构具体为：
所述特征响应图通过三个3×3的卷积层进行分层提取特征，所述每个3×3的卷积层带有256个内核；所述特征响应图通过一个带有256个内核的1×1卷积层保持初始的特征；连接所述分层提取的特征与所述初始的特征；最后，通过一个1×1的卷积层，所述1×1的卷积层的输入通道大小等于所述分类网络提取的特征的通道大小。


3.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述根据所述候选框的特征得到人头检测结果后，还包括：
根据损失函数对之前步骤进行训练，所述损失函数包括特征模拟损失函数Lm，所述特征模拟损失函数Lm公式为：



其中i表示候选框，u(i)表示输入所述候选框i至深层级联分类网络后得到的分类特征，v(i)表示输入所述候选框i至感兴趣区域池化得到的候选框特征，Lcls(.)表示级联分类损失函数，Φ表示抽样的候选框，p表示候选框为人头的预测概率，p*表示候选框的标签属性，p*＝1时为正样本，p*＝0时为正样本。


4.根据权利要求1所述的基于神经网络的人头检测方法，其特征在于，所述特征模拟损失函数的计算步骤包括：
输入所述候选框的特征以及特征响应图至另一区域生成网络RPN得到进一步分类候选框特征；
将深层级联分类网络嵌入在分类网络中，对所述进一步分类候选框特征做重分类得到级联分类网络特征；
计算所述级联分类网络特征与所述候选框的特征之间余弦距离；
根据所述余弦距离以及级联分类损失函数得到特征模...

【专利技术属性】
技术研发人员：李荣春，张俊杰，窦勇，姜晶菲，牛新，苏华友，乔鹏，潘衡岳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43