一种弱监督行人检测方法、系统、介质、设备及处理终端技术方案

本发明专利技术属于行人检测技术领域，公开了一种弱监督行人检测方法、系统、介质、设备及处理终端，构造增益算子对红外图像进行基于高频增益的显著性对比度增强，获得具有突出行人信息的高对比度红外图像；采用引导滤波对图像进行多尺度分解，获得增强后红外图像和可见光图像的子基础层和子细节层；构建基于图像特征相似性和图像边缘保留的目标函数，引入海洋捕食者优化算法生成融合图像；引入亮度感知分类器实现基于弱监督学习框架的数据集标注迁移；在YOLOv5网络中引入卷积块注意力模型，结合通道注意力和空间注意力实现弱监督行人的检测。本发明专利技术能够提高行人目标的重要性并抑制背景干扰，实现对多尺度目标的准确检测，减少人工标注工作量。注工作量。注工作量。

【技术实现步骤摘要】
一种弱监督行人检测方法、系统、介质、设备及处理终端


[0001]本专利技术属于行人检测
，尤其涉及一种弱监督行人检测方法、系统、介质、设备及处理终端。

技术介绍

[0002]目前，行人检测是计算机视觉领域的热点和难点研究，广泛应用于交通智能监控、自动驾驶、行人行为分析等方面。借助计算机视觉技术，可以准确判断图像或视频中是否包含行人，并标记行人的准确位置。行人目标的准确检测和识别在图像处理任务中起着非常重要的作用。可见光视觉传感器可以采集纹理信息丰富、特征清晰的道路场景图像，广泛应用于车载行人检测系统。然而，可见光图像行人检测系统易受光照环境变化的影响，尤其是在夜间、大雨或大雾条件下。在上述复杂环境中，行人目标容易丢失，易造成严重的安全事故。红外传感器不受光线影响，能在低能见度条件下清晰显示行人信息。但与可见光图像相比，红外图像分辨率较低，纹理信息较少。通过图像融合技术，融合两个传感器捕捉到的互补信息，可实现全天候恶劣天气环境下行人目标的精准检测。目前，大多数行人监控系统虽然结合了可见光传感器和热红外传感器，但不同的传感器监控系统仍然独立完本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弱监督行人检测方法，其特征在于，所述弱监督行人检测方法包括以下步骤：步骤一，构造增益算子对红外图像进行基于高频增益的显著性对比度增强，获得具有突出行人信息的高对比度红外图像；步骤二，采用引导滤波对图像进行多尺度分解，获得增强后红外图像和可见光图像的子基础层和子细节层；步骤三，构建基于图像特征相似性和图像边缘保留的目标函数，并引入海洋捕食者优化算法进行优化，经过多次迭代，生成最终的融合图像；步骤四，引入亮度感知分类器实现基于弱监督学习框架的数据集标注迁移；步骤五，在YOLOv5网络中引入卷积块注意力模型，结合通道注意力和空间注意力，实现弱监督行人的检测。2.如权利要求1所述弱监督行人检测方法，其特征在于，步骤一中，所述构造增益算子对红外图像进行基于高频增益的显著性对比度增强，包括：(1)通过计算窗口均值确定图像的背景信息；(2)通过计算局部平均值，估计出红外背景后，从原始红外图像中减去红外背景就可以得到图像高频层；(3)对得到的图像高频层计算对比度增益，通过分配合理的增益获得最终的红外图像。3.如权利要求1所述弱监督行人检测方法，其特征在于，步骤二中，所述采用引导滤波对图像进行多尺度分解，包括：对原始可见光图像和增强后的红外图像进行引导滤波，通过以下公式获得相应的子基础层I
Bn
和子细节层I
Dn
：I
Djn
＝I
Bjn
‑1‑
I
Bjn
；式中，GF(
·
)代表对图像进行引导滤波；r＝9，ε＝103；采用加权平均法融合第4级子基础层，同时制定显著性权重模块，通过直接从细节层构建权重图来识别突出的边缘结构；细节层的融合图像通过线性组合进行整合，并通过以下公式获得相应的融合基础层I
B
和融合细节层I
D
：：式中，W
in
表示不同层级的细节层所对应的权重图。4.如权利要求1所述弱监督行人检测方法，其特征在于，步骤三中，构建基于图像特征相似性和图像边缘保留的目标函数min{
‑
Q
FSIM
‑
Q
AB/F
}，并引入海洋捕食者优化算法对其进行优化，获得最终的融合图像F＝I
B
+μI
D
。5.如权利要求1所述弱监督行人检测方法，其特征在于，步骤四中，所述引入亮度感知分类器实现基于弱监督学习框架的数据集标注迁移，包括：通过亮度感知分类器计算白天和夜间图...

【专利技术属性】
技术研发人员：郝帅，安倍逸，马旭，何田，张旭，杨磊，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：