【技术实现步骤摘要】
本专利技术涉及目标识别，尤其涉及一种基于auto-share策略的雨雾天下施工行人检测方法及系统。
技术介绍
1、随着行人检测技术的不断发展，行人检测在实际生活中许多领域中都发挥着越来越大的作用，在人工智能监控、辅助驾驶、工地安全和人机交互这些场景下行人检测的快速与准确性显得尤为重要。快速和准确性是行人检测的两个重要目标，但实际应用中由于不同的姿态和复杂环境因素交织在一起。在雨雾天气情况下，由于可见度低，对施工行人检测难度较大，且处于施工中的行人易受建筑物、树木等物体的遮挡，这给检测任务带来了更大的挑战。
2、雨雾天各种场景中，施工行人的目标小、姿态各异，且周围环境可见度低，造成图像分辨率低下。这为雨雾天条件下施工行人检测任务带来了很大的挑战。传统的特征分类方法被用于行人检测，这些方法基于纹理、颜色和形状等基本特征，使用机器学习算法将图像中的行人与其他类进行分类。虽然基于基本特征的机器学习方法处理速度较快，即使在小规模数据集上也能取得不错的效果，但是该方法依赖于手工设计的特征，需要专家经验来选择合适的特征。同时，该方法容易受到周围环境亮度、清晰度、遮挡因素的影响，对于雨雾天条件下的应用适应性较差，这严重影响了该种情况下施工行人检测的准确性。
3、随着深度学习的飞速发展，基于其算法的行人检测算法已逐渐取代了传统的检测方法，并为行人检测提供了新的解决方案。尽管一些模型已经取得了相当不错的效果，但这些模型并未完全适用于行人检测，无法考虑到此类情况中可能遇到的各种问题。此外，已有的许多研究都是基于对一些经典神经网
4、基于传统方法的行人检测算法，如人工设计的haar算法进行特征提取，需要手动调整参数，随机性较大。此外受周围环境亮度、清晰度、遮挡的影响大，容易导致误检或漏检，无法适应雨雾天条件下的施工行人检测。如在监控距离较远的情况下，漏检率非常高，这限制了传统检测算法的实际应用。
5、虽然基于深度特征的检测任务发展迅速，在各类目标检测任务中表现得很好，但目前已有应用于雨雾天道路施工行人检测的基于此的检测方法也存在一些问题，如对远景下小目标、受到建筑物和树木等遮挡的施工行人的检测效果不佳，不能很好地应用于该种环境下的检测任务，系统的鲁棒性较弱。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于auto-share策略的雨雾天下施工行人检测方法及系统，其能够提高雨雾天条件下的行人检测的准确性，在此基础上，解决遮挡情况以及传统手工提取特征受各类噪声影响的问题，在行人检测应用领域中提升了其可靠性和实用性，具有广泛的应用价值。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本专利技术提供一种基于auto-share策略的雨雾天下施工行人检测方法，该方法包括以下步骤：
4、步骤1：获取雨雾天行人图像的数据集，进行预处理，预处理包括亮度增强和去雾；
5、步骤2：将预处理后的数据集，转换为包含行人图像数据标注信息的标准格式，并划分为训练集、验证集和测试集；
6、步骤3：构建基于auto-share策略的施工行人检测网络模型；
7、步骤4：将划分的训练集和验证集输入构建的施工行人检测网络模型进行训练，获取损失最小的施工行人检测网络模型；
8、步骤5：将划分的测试集输入训练后的施工行人检测网络模型，测试施工行人检测网络模型效果，得到的测试图片中包含行人的标注框和标注信息。
9、进一步地，本专利技术的步骤1中的雨雾天行人图像的数据集采用公开的rtts数据集，预处理采用基于retinex理论进行亮度增强和去雾。
10、进一步地，本专利技术的预处理采用基于retinex理论进行亮度增强和去雾的方法具体为：
11、对数据集中原始的雨雾天行人图像，提取rgb通道值，计算其最大亮度值、平均亮度值代入算法，得到处理结果；
12、首先提取rgb三通道值分为别ir、ig、ib，m、t、p均为平衡参数，根据如下公式得到图像亮度值：
13、l＝m*ir+t*ig+p*ib
14、获取图像亮度最大值lmax如下：
15、lmax＝max(max(l))
16、根据如下公式获取亮度对数平均值
17、
18、根据如下公式计算自适应处理结果la：
19、
20、获取rgb通道值的数组分别为d_r、d_g、d_b，对每一个通道都乘上la/l对通道进行调整，最后组合成为预处理结束的图片。
21、进一步地，本专利技术的步骤2中的方法具体包括：
22、转换标注信息即为将rtts数据集转换为voc标准格式，voc标准格式包括annotations目录、jpegimages目录和imagesets目录，其中：annotations目录存放xml文件，xml文件用于标注rtts数据集中图片中行人的名称和位置信息；jpegimages目录存放rtts数据集中的所有图片；imagesets目录下的main目录下存放训练集、测试集、验证集的文件列表，其格式为txt文件格式。
23、进一步地，本专利技术的步骤3中构建基于auto-share策略的施工行人检测网络模型为：采用改进的resnet-50网络结构作为backbone，fpn网络结构作为neck，并且使用auto-share作为head检测头进行标签分配的策略，共同构成了基于auto-share策略的施工行人检测网络模型。
24、进一步地，本专利技术的步骤3中构建基于auto-share策略的施工行人检测网络模型的方法具体为：
25、改进的resnet-50网络结构，其由50个conv层组成，其中包括残差块和全局平均池化层；输入是一张大小为224x224的rgb彩色图像；第一层是7x7的conv层，其后跟一个最大池化层，用于将图像降采样为112x112；接下来是四个残差块，每个块都包含多个conv层和恒等映射模块；其中，第一个残差块包含一个3x3的conv层和一个64通道的conv层，后面的三个残差块的分支结构数量大于第一个残差块，以增加网络的复杂度；在最后一个残差块之后，有一个全局平均池化层和一个全连接层；
26、fpn网络结构，其由两部分组成：自下而上的特征提取和自上而下的特征融合；其中：fpn在自下而上的特征提取过程中，对resnet-50每个conv块生成多个特征图，这些特征图具有不同的大小和语义信息；自上而下的特征融合将高层特征图通过上采样与低层特征图进行融合；fpn网络结构将所有分辨率的特征图连接起来，形成一个金字塔形的特征结构，并将其输入到head模块中；
27、auto-share，是进行正负样本标签分配的策略，基于对象分布服从于中心先验这个理论，从center prio本文档来自技高网...
【技术保护点】
1.一种基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤1中的雨雾天行人图像的数据集采用公开的RTTS数据集，预处理采用基于Retinex理论进行亮度增强和去雾。
3.根据权利要求2所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，预处理采用基于Retinex理论进行亮度增强和去雾的方法具体为：
4.根据权利要求1所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤2中的方法具体包括：
5.根据权利要求1所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤3中构建基于Auto-Share策略的施工行人检测网络模型为：采用改进的ResNet-50网络结构作为Backbone，FPN网络结构作为Neck，并且使用Auto-Share作为Head检测头进行标签分配的策略，共同构成了基于Auto-Share策略的施工行人检测网络模
6.根据权利要求5所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤3中构建基于Auto-Share策略的施工行人检测网络模型的方法具体为：
7.根据权利要求6所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，Auto-Share策略具体为：
8.根据权利要求1所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤4的方法具体为：将划分的训练集和验证集输入步骤3中构建的施工行人检测网络模型进行训练，进行多轮训练和验证，获取损失最小的施工行人检测网络模型，获取最佳的网络模型文件。
9.根据权利要求1所述的基于Auto-Share策略的雨雾天下施工行人检测方法，其特征在于，步骤5的方法具体为：将划分的测试集输入步骤4中训练后保存的最佳施工行人检测网络模型进行初始化，对模型进行测试。
10.一种基于Auto-Share策略的雨雾天下施工行人检测系统，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种基于auto-share策略的雨雾天下施工行人检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于auto-share策略的雨雾天下施工行人检测方法，其特征在于，步骤1中的雨雾天行人图像的数据集采用公开的rtts数据集，预处理采用基于retinex理论进行亮度增强和去雾。
3.根据权利要求2所述的基于auto-share策略的雨雾天下施工行人检测方法，其特征在于，预处理采用基于retinex理论进行亮度增强和去雾的方法具体为：
4.根据权利要求1所述的基于auto-share策略的雨雾天下施工行人检测方法，其特征在于，步骤2中的方法具体包括：
5.根据权利要求1所述的基于auto-share策略的雨雾天下施工行人检测方法，其特征在于，步骤3中构建基于auto-share策略的施工行人检测网络模型为：采用改进的resnet-50网络结构作为backbone，fpn网络结构作为neck，并且使用auto-share作为head检测头进行标签分配的策略，共同构成了基于auto...
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。