【技术实现步骤摘要】
适于高速公路外场遮挡条件下的行人快速检测及跟踪方法
本专利技术涉及智能交通领域，特别涉及适于高速公路外场遮挡条件下的行人快速检测及跟踪方法。
技术介绍
目前，行人目标检测技术在智能驾驶、智能监控、智能机器人等领域都有广泛的应用。高速公路环境下，应用行人检测技术并自动预警，可以有效地减少高速公路行人事故从而提高高速公路运营安全。但是由于该领域涉及众多学科，并且研究对象复杂，即使经过多年发展，到目前为止仍有大量难题亟待解决。尤其在实际应用到高速公路环境中时，由于行人目标尺寸的多样性、环境复杂多变等因素导致行人多为模糊或被遮挡的小目标，针对该类问题一直都是研究的难点，现有的许多技术和方案还不够完善，远远达不到实用的程度。本文针对上述问题开展研究工作，以提高基于监控视频的行人目标检测和跟踪结果的准确性。
技术实现思路
有鉴于此，在高速公路外场环境下进行行人目标匹配时必须考虑行人遮挡和非目标相似的问题，本专利技术将在行人目标检测的基础上实现行人跟踪。首先通过深度学习的SSD算法，检测到视频图像上的行人目标，...
【技术保护点】
1.适于高速公路外场遮挡条件下的行人快速检测及跟踪方法，其特征在于，包括以下步骤：/n步骤一：对高速公路监控视频图像进行数据重建、增强；/n步骤二：快速获取高级语义、更为突出且大感受野的特征f；/n步骤三：构建适用于小尺度目标检测的FPEM特征融合增强结构；/n步骤四：构建并行DeepParts部件检测器+基于概率密度函数的置信图分布；/n步骤五：损失函数的设计；/n步骤六：轨迹跟踪预测，状态更新。/n
【技术特征摘要】
1.适于高速公路外场遮挡条件下的行人快速检测及跟踪方法，其特征在于，包括以下步骤：
步骤一：对高速公路监控视频图像进行数据重建、增强；
步骤二：快速获取高级语义、更为突出且大感受野的特征f；
步骤三：构建适用于小尺度目标检测的FPEM特征融合增强结构；
步骤四：构建并行DeepParts部件检测器+基于概率密度函数的置信图分布；
步骤五：损失函数的设计；
步骤六：轨迹跟踪预测，状态更新。
2.根据权利要求1所述的方法，其特征在于，所述步骤一具体包括以下子步骤：
1)从训练图像中，进行K-Means聚类，统计行人分布区域；
2)对图像进行随机裁剪一块区域，但需要保证裁剪区域存在目标，且不同裁剪图片重叠区域；
3)将扩充图片缩放到输入分辨率大小。
3.根据权利要求2所述的方法，其特征在于，所述步骤二具体包括以下子步骤：
1)采用DenseNet骨干网络，选取特征最为丰富和语义信息相对高级Layers构建CSP特征提纯结构；
2)采用改进注意力机制提取通道域特征，使用k＝{1*1,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行concat操作，获得编码丰富细节信息的特征f。
4.根据权利要求3所述的方法，其特征在于，所述步骤三具体包括以下子步骤：
1)特征金字塔中分辨率高于f的特征，利用最近邻上采样扩大f的分辨率，再使用1×1卷积进行提纯；
2)特征金字塔中分辨率小于和等于f的特征，直接对f利用指定步长的3×3卷积来获得；
3)up-scale阶段以步长32,16,8,4像素在特征图上迭代增强；
4)down-scale阶段输入的是由up-scale增强生成...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。