【技术实现步骤摘要】
融合注意力机制的实时行人检测方法
本专利技术涉及一种融合注意力机制的实时行人检测方法，属于目标检测
技术介绍
随着科学技术的发展，行人检测在日常生活和工业生产中的应用越来越广泛。由于含有行人的图像背景复杂，以及受姿态、穿着和遮挡问题的影响，大大增加了行人检测的难度，而在实际的行人检测系统中，不仅要求较高的准确性，还要求较高的实时性，因此对行人检测的研究具有非常重要的现实意义。传统的行人检测算法通常采用人工特征提取和分类的方法。例如，期刊《一种融合局部特征行人检测模型》，该方法为不同的身体部位训练具有Haar特征的Adaboost分类器，并采用支持向量机检测行人。期刊《改进特征与GPU加速的行人检测》采用SILTP纹理特征和梯度方向直方图提取人体不同部位的特征，并通过GPU加速实现行人检测。而随着计算机算力的提升，基于卷积神经网络的目标检测算法被陆续提出。目前常用的方法有双阶段检测算法R-CNN系列和一阶段检测算法SSD、YOLO系列。双阶段检测算法利用选择搜索或区域候选网络生成候选区域，再进一步对目标的种类...
【技术保护点】
1.一种融合注意力机制的实时行人检测方法，其特征在于，包括如下步骤：/nS1：选取Tiny YOLOV3算法，包括如下小步：/nS11：先将图像划分成S×S个网格，每个网格预测B个边界框及置信度和C个类别概率，置信度公式为：/n
【技术特征摘要】
1.一种融合注意力机制的实时行人检测方法，其特征在于，包括如下步骤：
S1：选取TinyYOLOV3算法，包括如下小步：
S11：先将图像划分成S×S个网格，每个网格预测B个边界框及置信度和C个类别概率，置信度公式为：
其中，P(object)为网格中目标存在概率,为预测框和真实框的交并比；
S12：TinyYOLOV3的特征提取网络为7层卷积和6层最大池化，同时简化YOLOV3的多尺度检测，采用26×26和13×13两种检测尺度对特征图进行预测输出；
S2：加深特征提取网络，包括如下小步：
S21：首先通过3×3卷积将通道数扩张到上一层的2倍，提取高维特征；
S22：然后通过1×1卷积，将通道数压缩为原来的2倍，降低通道维度，减少计算量同时实现信息的跨通道交互；
S23：最后再通过3×3卷积扩张通道，恢复原来的通道维度；
S3：融合通道注意力的预测网络：将注意力机制引入到TinyYOLOV3的预测网络，利用注意力机制融合不同尺度的信息，对特征通道赋予不同的权重，引导网络关注行人特征，降低干扰信息的影响从而提高检测精度，包括如下小步：
S31：引入了无降维的轻量级通道域注意力机制ECA-Net，输入特征图X∈RH×W×C，X有C个特征通道；
S32：通过全局平均池化对全局空间信息进行压缩，即在空间维度H×W上进行压缩，得到1×1的权重信息，全局平均池化公式如下：
其中，Y为压缩之后得到的权重，H×W为空间维度信息；
S33：为了使网络自动学习不同通道的注意力权重，使用一维卷积来完成跨通道的信息交互，一维卷积核的大小由通道维数C的函数来自适应确定，计算一维卷积核大小的公式为：
S34：将得到的卷积核用于一维卷积，并使用Sigmoid得到每个通道的权重，公式如下：
ωc＝σ(C1Dk(y))(4)
其中，σ是Sigmoid激活函数，ωc是生成的通道注意力权重，维度为1×1×C；
S35：然后将注意力权重与输入特征图进行加权，实现对特征图通道的重要性表达，加权公式如下：
其中，表示逐元素相乘，Xc表示通过注意力机制的输出结果；
S4：改进损失函数和激活函数，包括如下小步：
S41：在训练过程中，TinyYOLOV3的损失函数可分为三部分，分别为边界框回归损失、置信度损失和分类损失，总的Loss可用公式(6)表示：
其中，i表示尺度；
S42：采用广义交并比GIOU作为回归损失，IOU和GIOU的定义如下：
其中，B表示预测框，Bgt表...
【专利技术属性】
技术研发人员：冯宇平，管玉宇，刘宁，杨旭睿，赵文仓，王明甲，刘雪峰，秦浩华，王兆辉，赵德钊，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37
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。