行人目标检测方法及系统技术方案

本发明专利技术公开了行人目标检测方法及系统，其中，方法，包括：获取待检测的视频；对待检测的视频进行行人目标检测；对检测到的行人目标进行行人重识别，得到行人目标检测结果；其中，行人重识别，采用训练后的行人重识别网络来实现；所述行人重识别网络融入了多尺度特征提取模块，以扩大感受野和提高目标特征提取的能力。在改进后的行人重识别网络上，融合了多尺度特征提取模块，以进一步增强行人目标检测的精度，使复杂场景下的目标检测得到更加多样化处理，提高行人目标检测的精度。提高行人目标检测的精度。提高行人目标检测的精度。

【技术实现步骤摘要】
行人目标检测方法及系统


[0001]本专利技术涉及目标重识别
，特别是涉及行人目标检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]目标检测技术是计算机技术、模式识别技术、图像处理技术、人工智能等技术的综合技术。应用于运动分析、视频监控、视频压缩、智能交通、人机交互、信息安全等计算机视觉领域。虽然近年来目标跟踪技术有所改进，但由于实际应用场景中复杂的环境遮挡、变形、光照变化、尺度变化以及目标快速移动等因素，长期视觉跟踪仍然具有挑战性。
[0004]视频检测技术在复杂场景中实现高效、准确的目标检测一直是需要解决的问题之一。虽然目前的目标检测在精度、鲁棒性和速度方面都取得了良好的效果，但当目标处于类似于目标干扰的复杂场景时，仍然会造成模板漂移等一系列问题。
[0005]专利技术人发现，现有的移动目标检测方式存在的技术缺陷是：
[0006]1)实际应用场景中复杂的环境遮挡、变形、光照变化、尺度变化带来的行人检测精度低；
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.行人目标检测方法，其特征是，包括：获取待检测的视频；对待检测的视频进行行人目标检测；对检测到的行人目标进行行人重识别，得到行人目标检测结果；其中，行人重识别，采用训练后的行人重识别网络来实现；所述行人重识别网络融入了多尺度特征提取模块，以扩大感受野和提高目标特征提取的能力。2.如权利要求1所述的行人目标检测方法，其特征是，对待检测的视频进行行人目标检测，具体包括：分别检测目标的上下左右四个极值点和目标的中心极值点；当检测到所有的极值点后，将所有极值点进行组合，得到所有的组合后，通过验证组合中是否存在中心极值点，来对组合进行筛选：如果当前组合中存在中心极值点，则得到了一个目标框；如果当前组合中不存在中心极值点，则表示当前目标框为错误框。3.如权利要求1所述的行人目标检测方法，其特征是，所述行人重识别网络，其网络结构包括：依次连接的输入层、卷积层a1、最大池化层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、平均池化层、加法器J1和输出层；其中，第二残差模块的输出端通过依次连接的多尺度特征提取模块和卷积层a2与加法器J1的输入端连接；或者，所述行人重识别网络的工作原理包括：卷积层a1提取所需图片特征；最大池化层降低图片维度，更多的保留纹理信息；第一残差模块、第二残差模块、第三残差模块、第四残差模块依次改变图片大小，加速收敛，稳定性能；平均池化层减少空间信息的大小，提高运算效率。4.如权利要求3所述的行人目标检测方法，其特征是，所述第一残差模块，包括：依次连接的输入单元、卷积层b1、卷积层b2、加法器J2和激活函数层；其中，输入单元还与加法器J2的输入端连接；或者，所述第一残差模块的工作原理包括：卷积层b1、卷积层b2改变图片维度，用一个跳跃连接将输入与两个卷积的输出相加，避免梯度消失或梯度爆炸，然后经过relu激活函数激活。5.如权利要求1或3所述的行人目标检测方法，其特征是，多尺度特征提取模块，包括：输入端，所述输入端分别与四条支路连接；其中，第一条支路，包括：依次连接的卷积层c1、卷积层c2和卷积层c3；其中，第二条支路，包括：依次连接的卷积层d1、卷积层d2和卷积层d3；其中，第三条支路，包括：依次连接的卷积层e1、卷积层e2和卷积层e3；其中，第四条支路，包括：依次连接的卷积层f1、卷积层f2和卷积层f3；其中，卷积层c3的输出端和卷积层d3的输出端均与第一连...

【专利技术属性】
技术研发人员：李天平，霍文晓，王嘉鑫，冯凯丽，严业金，丁同贺，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：