【技术实现步骤摘要】
本专利技术涉及视频图像中的行人检测的，尤其是基于无锚框的鱼眼图像行人检测方法。
技术介绍
1、目前，传统的图像行人检测算法主要有特征提取和深度学习两类方法。基于特征提取的方法通常使用hog、lbp等特征描述符和svm分类器进行行人检测，但这类方法往往敏感于自然环境的影响，特别是光照变化对其检测准确度的影响较大。而基于深度学习的图像检测算法，如yolo、ssd、mask-rcnn和centernets等，在标准透视图像上的目标检测效果较好，主要针对非畸变的直立行人。然而，直接应用于鱼眼图像的检测并不理想，因为鱼眼图像的非线性畸变导致目标尺度和形态变化难以预测。odedkrams等人在鱼眼顶视图下的行人检测中，通过几何建模扩展聚合通道特征(acf)检测器，同时充分考虑背景的变化因素与准确标注问题。arkobarman等人通过预处理技术和新颖的搜索算法，实现了鱼眼镜头下的人员再识别。seidel_r等人直接使用yolo网络进行鱼眼图像行人检测，但存在行人漏检的情况。为了更好地检测鱼眼图像中畸变的行人，lin等人将鱼眼图像分割为多张子图，并使用faster r-cnn对每张子图进行检测，最后将检测结果重新映射到原始鱼眼图像上，同样li使用yolov3在24张子图上进行检测。虽然该方法在检测效果上表现较好，但需要复杂的预处理和后续处理过程，效率较低。rapid利用带锚框的网络进行角度值回归，避免了生成多张子图，但使用非极大抑制增加了推理时间，无法满足实时性要求。quan等人提出了一种面向鱼眼图像行人检测的anchor-free rotat
2、但是，上述现有技术中，仍存在以下问题：
3、第一，在处理鱼眼图像时，无法迅速适应新的视场角度、光照变化等情况，无法对不同层次的特征进行自适应融合，无法只保留有用的信息进行组合，不能强调重要的特征，从而降低了融合特征的判别能力和特征的尺度不变性；
4、第二，在鱼眼图像中，由于畸变等因素的存在，现有技术无法处理特征的不确定性和变化；
5、第三，在鱼眼图像中，旋转边界框的回归效果差，存在的边界问题，在类正方形情况下，缺少角度信息，导致物体的角度混乱的问题。
技术实现思路
1、针对现有基于无锚框的鱼眼图像行人检测方法的技术不足，本专利技术提出了基于无锚框的鱼眼图像行人检测方法，能更好地捕捉输入图像的细节和特征，增强了融合特征的判别能力，提高了特征的尺度不变性，能够更好地处理特征的不确定性和变化。可以提升旋转边界框的回归效果，避免了传统边界框所存在的边界问题，同时也解决了在类正方形情况下，缺少角度信息会导致物体的角度混乱的问题。
2、为实现上述目的，本专利技术采用如下技术方案：
3、基于无锚框的鱼眼图像行人检测方法，包括以下步骤：
4、步骤1：输入图像，骨干网络yolov8独立提取鱼眼图像特征图；
5、步骤2：经由主干网络yolov8提取的特征图进入fisheyeasf特征融合模块，同时引入遗忘因子来平衡历史特征信息和新特征信息的影响；
6、步骤201：得到融合后的特征fisheyeasf-1，将p1层和p2层的特征进行下采样，调整与p3层通道数和分辨率一致；
7、步骤202：得到融合后的特征fisheyeasf-2，对p3层的特征进行上采样，对p1层的特征进行下采样，使通道数和分辨率与p3层特征一致；
8、步骤203：得到融合后的特征fisheyeasf-3，将p1层和p2层的特征进行下采样，调整与p3层通道数和分辨率一致；
9、步骤204：通过将p1层、p2层和p3层的特征与权重参数w相乘并相加，得到新的融合特征fisheyeasf，计算公式如下：
10、
11、其中，和是权重参数，表示(i,j)位置上的特征向量从第t层调整到l层的特征映射；
12、步骤3：使用自适应融合算法，设实际目标位置作为期望值，通过计算预测位置与真实目标位置之间的差异，作为残差来优化权重参数，将残差用e(i,j)表示，选择权重参数，使得残差平方和构成的代价函数最小；
13、步骤301：设代价函数为ξ(t)，并在其定义中引入加，权因子ψ(t,k)进行调节，ξ(t)表示为：
14、
15、步骤4：将特征图传入检测头网络生成热图，焦点损失函数预测目标的中心点，提出fiou损失函数预测边界框，所述检测头网络包括两个预测分支，总损失函数的计算式如下：
16、
17、其中，ltotal是全局损失函数，lc是中心点损失函数，lreg是边界框的回归损失函数，ωc和ωangle是用于调整这两个分支的权重参数；
18、步骤401：通过高斯分布模拟iou损失的计算过程，利用高斯分布将目标框表示为一个椭圆，将边界框转换为高斯分布计算边界框的面积；
19、步骤402：将两个预测边界框的相交区域转换为高斯分布；
20、步骤403：使用卡尔曼滤波算法更新高斯分布；
21、步骤404：当图像目标形状为类正方形时，提出高斯角度损失。
22、进一步地，所述步骤1中，采用yolov8作为骨干特征提取网络，骨干网络采用残差结构，并输出3个不同尺度的特征图，这些特征图对应于输入图像经过不同的下采样步长所得到的结果。
23、进一步地，所述步骤2中，fisheyeasf特征融合模块采用多尺度自适应特征融合的方法，该方法通过学习权重参数，使网络能够自动学习如何在空间上过滤其他层次的不相关特征，并不断更新权重参数以捕捉特征信息的动态变化。
24、进一步地，所述步骤201中，将p1层的特征调整到p3层，在3×3卷积的基础上添加步长为2的最大池化操作，以调整p1层和p3层的特征图尺寸一致；
25、所述步骤202中，对p3层的特征进行上采样，使用一个3×3的卷积层，设置步长为2同时调整通道数和分辨率；
26、所述步骤203中，对p3层的特征图进行上采样操作，使其尺寸调整为与p1层相同，并通过1×1卷积调整它们的通道数一致，并使用插值的方式将它们调整为相同的大小；
27、所述步骤204中，和分别来自p1层、p2层和p3层的特征，权重参数和是分别通过resize后的p1层～p3层的特征图经过1×1卷积得到的，这些权重参数经过concat之后，通过softmax函数进行归一化处理，使其取值范围在[0,1]且和为1，计算公式如下：
28、
29、进一步地，所述步骤301中，加权因子ψ(t,k)应满足以下关系：0＜ψ(t,k)≤1,k＝1,2,…,t；
30、定义为：
31、ψ(t,k)＝λt-k,k＝1,2本文档来自技高网...
【技术保护点】
1.基于无锚框的鱼眼图像行人检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤1中，采用YOLOv8作为骨干特征提取网络，骨干网络采用残差结构，并输出3个不同尺度的特征图，这些特征图对应于输入图像经过不同的下采样步长所得到的结果。
3.根据权利要求2所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤2中，FishEyeASF特征融合模块采用多尺度自适应特征融合的方法，该方法通过学习权重参数，使网络能够自动学习如何在空间上过滤其他层次的不相关特征，并不断更新权重参数以捕捉特征信息的动态变化。
4.根据权利要求3所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤201中，将P1层的特征调整到P3层，在3×3卷积的基础上添加步长为2的最大池化操作，以调整P1层和P3层的特征图尺寸一致；
5.根据权利要求4所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤301中，加权因子ψ(t,k)应满足以下关系：0＜ψ(t,k)≤1,k＝1,2,...,t；
6.根据权利要求5所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤4中，中心点损失函数计算式如下：
7.根据权利要求6所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤401中，将任意方向的边界框转换为高斯分布G(u,Σ)，其中u为：
8.根据权利要求7所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤402中，将两个预测边界框的相交区域高斯函数相乘，得到一个新的高斯函数，表示相交区域的概率分布，计算式如下：
9.根据权利要求8所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤403中，通过利用卡尔曼滤波，得到两个高斯分布的相交区域的协方差矩阵，计算式如下：
10.根据权利要求9所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤404中，当对象是正方形时，即w＝h，其二维高斯分布是一个不能准确表示方向的圆，提出了高斯角度损失：
...【技术特征摘要】
1.基于无锚框的鱼眼图像行人检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤1中，采用yolov8作为骨干特征提取网络，骨干网络采用残差结构，并输出3个不同尺度的特征图，这些特征图对应于输入图像经过不同的下采样步长所得到的结果。
3.根据权利要求2所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤2中，fisheyeasf特征融合模块采用多尺度自适应特征融合的方法，该方法通过学习权重参数，使网络能够自动学习如何在空间上过滤其他层次的不相关特征，并不断更新权重参数以捕捉特征信息的动态变化。
4.根据权利要求3所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤201中，将p1层的特征调整到p3层，在3×3卷积的基础上添加步长为2的最大池化操作，以调整p1层和p3层的特征图尺寸一致；
5.根据权利要求4所述的基于无锚框的鱼眼图像行人检测方法，其特征在于，所述步骤301中，加权因子ψ...
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。