一种基于Faster RCNN的多尺度密集行人检测方法技术

本发明专利技术涉及一种基于Faster RCNN的多尺度密集行人检测方法，属于目标检测和计算机视觉技术领域。本发明专利技术针对行人检测任务中，图像内行人尺寸大小不一、密集人群中行人重叠情况下容易出现漏检的问题，基于检测效果较好的Faster RCNN检测网络做出改进。首先，针对图像中的行人多尺度问题，固定RPN网络提取候选区域框过程中的anchor的比例，并根据行人真实标准框的统计分布信息，得到anchor的尺寸，以提高预测回归框的准确度，提升检测精度。针对密集人群中行人重叠情况的漏检情况，使用改进的NMS算法，减少重叠行人的相邻检测框的误除情况，提高行人检测的平均准确度，以此提升检测精度。

【技术实现步骤摘要】
一种基于FasterRCNN的多尺度密集行人检测方法
本专利技术涉及一种基于FasterRCNN(快速区域卷积神经网络)的多尺度密集行人检测方法，属于目标检测和计算机视觉

技术介绍
随着人工智能技术的发展，行人检测技术已经成为计算机视觉领域的关键研究方向。行人检测的最重要的任务就是对行人目标进行准确定位。行人检测技术有很强的使用价值，可以与多人跟踪、行人重识别等技术结合，应用于汽车无人驾驶系统、智能机器人、智能视频监控、人体行为分析、人流量统计系统、智能交通领域。目前的行人检测任务主要分为两类：一是基于传统图像特征的方法，二是基于深度学习的方法。基于传统图像特征的方法，主要通过手动构造行人特征，如HOG等，再结合SVM、Adaboost等分类器训练检测器来实现行人检测。但是，这种方法依赖于人工选取的行人特征，如果选取的特征表达能力不足，检测效果就会比较差。相对于基于传统图像特征进行检测的方法，基于深度学习的方法不依赖于某一单一的特征，对于特征的利用率更高，这种方法具有更好的泛化性和鲁棒性，行人检测结果也更准确。但是，行本文档来自技高网...

【技术保护点】
1.一种基于Faster RCNN的多尺度密集行人检测方法，其特征在于，包括以下步骤：/n步骤1：获取行人检测数据样本，并制作数据集；/n步骤1.1：获取行人检测所需的用来训练和检测的数据样本；/n步骤1.2：将获取的数据样本转化为VOC格式数据集；/n步骤2：根据统计结果，确定RPN网络中适合行人目标的anchors的长宽比例和尺寸，其中，行人尺寸的平均长宽比例为0.41；/n步骤3：根据所选择的anchor长宽比例和尺寸，以及行人检测任务修改网络参数，训练Faster RCNN网络，获取训练好的模型；/n步骤3.1：搭建训练模型；/n步骤3.2：对Faster RCNN网络进行训练，采用四...

【技术特征摘要】
20200114 CN 20201003807201.一种基于FasterRCNN的多尺度密集行人检测方法，其特征在于，包括以下步骤：
步骤1：获取行人检测数据样本，并制作数据集；
步骤1.1：获取行人检测所需的用来训练和检测的数据样本；
步骤1.2：将获取的数据样本转化为VOC格式数据集；
步骤2：根据统计结果，确定RPN网络中适合行人目标的anchors的长宽比例和尺寸，其中，行人尺寸的平均长宽比例为0.41；
步骤3：根据所选择的anchor长宽比例和尺寸，以及行人检测任务修改网络参数，训练FasterRCNN网络，获取训练好的模型；
步骤3.1：搭建训练模型；
步骤3.2：对FasterRCNN网络进行训练，采用四阶段训练法：
阶段一：以端到端的模式单独训练RPN网络；
阶段二：使用阶段一得到的建议框，单独训练训练FastRCNN网络；
阶段三：使用阶段二得到的网络初始化RPN模型，训练时固定共享卷积层，只更新RPN网络的参数；
阶段四：保持共享卷积层固定不变，使用阶段三更新后的RPN输出的候选建议框作为输入，更新FastRCNN网络的参数；
在上述四个阶段训练之后，得到最终训练好的FasterRCNN模型；
步骤4：使用训练好的FasterRCNN模型对行人目标进行检测，得到初步检测结果；使用softNMS算法减少对重叠物体检测框的误除情况，得到最终的检测结果。


2.如权利要求1所述的一种基于FasterRCNN的多尺度密集行人检测方法，其特征在于，步骤2中，anchor的高度选为16×1.3n,n∈(1,2,3...9)，数量为9个。


3.如权利要求1所述的一种基于FasterRCNN的多尺度密集行人检测方法，其特征在于，步骤3中，在caffe的深度学习框架下搭建FasterRCNN检测网络，并且以ZFnet作为特征提取的网络。


4.如权...

【专利技术属性】
技术研发人员：朱凯，胡东方，李林涛，
申请(专利权)人：北京银河信通科技有限公司，
类型：发明
国别省市：北京;11