【技术实现步骤摘要】
本专利技术属于模式识别与机器学习，具体涉及一种存在遮挡的电力作业现场人员目标检测方法。
技术介绍
1、近年来，基于深度学习的行人目标检测算法取得了许多重大突破，在标准测试环境下展现出了卓越的检测性能。但在实际电力作业场景中，行人经常会受到电力设备以及其他人员的遮挡，这导致现有的行人目标检测算法难以精确地检测被遮挡的行人，从而限制了其在实际场景中的应用。
2、处理行人遮挡问题的困难主要包含两个方面：1)由于物体或其他人员遮挡导致目标行人可见性下降，难以提取到被遮挡人员有效的样本特征；2)由于人员间的相互遮挡导致检测框出现严重重叠，难以实现遮挡人员的精准识别与定位。
3、当前，针对遮挡挑战的行人目标检测方法主要分为两类：1)单阶段检测方法；2)两阶段检测方法。
4、单阶段的行人目标检测方法：单阶段检测方法旨在通过一次性的网络推理实现对图像中行人的检测和分类。此类方法，以其快速的特征提取能力改善了在复杂场景中对遮挡行人的识别，减少了算法对遮挡行人有效特征提取的难度。但其缺乏一个明确的区域提议步骤，当行人存在遮挡时，难以准确区分和定位每一个个体。
5、两阶段的行人目标检测方法：两阶段检测方法旨在生成一系列可能包含行人的候选区域(区域提议)，然后再对每个提议区域进行精细分类和边界框回归，从而实现更准确的行人检测。此类方法，能更精准地识别和定位遮挡情况下的每个行人。但其在生成候选区域时易受遮挡人员有效特征不足问题的影响，导致后续的分类和回归步骤无法进行有效检测。
6、综上所述，尽管
技术实现思路
1、根据以上现有技术中的不足，本专利技术提供了一种存在遮挡的电力作业现场人员目标检测方法，可有效缓解在电力作业现场人员被遮挡情况下的行人漏检与错检问题，实现高效的人员目标检测任务。
2、为达到以上目的，本专利技术提供了一种存在遮挡的电力作业现场人员目标检测方法，包括以下步骤：
3、s1、通过包含通道注意力模块和空间注意力模块的特征提取模块，增强提取电力人员作业图像中的人员可视区域特征：
4、s11、通过通道注意力模块对每个残差块的输出特征进行通道引导，获取关注目标人员可视身体部位的特征信息，获得不同尺度的第一特征图；
5、s12、将第一特征图引入空间注意力模块，获取不同尺度下关注目标人员可视身体部位的第二特征图；
6、s2、生成目标人员候选框，将获得的第一特征图的最后尺度特征与第二特征图的所有尺度特征同时输入区域候选模块进行粗计算，获得包含遮挡人员候选框的第三特征图；
7、s3、进行目标候选框的精确定位与细致划分，将第三特征图输入双分支分类与回归模块，先经roipooling操作获得统一尺寸的第四特征图后，再将第四特征图输入双分支分类与回归模块获取分类得分和回归得分，实现候选区域精准的分类判断与微调；
8、s4、根据分类得分和回归得分构建联合损失函数用于反向传播，实现对s1-s3搭建的整体网络的优化与训练，通过整体网络实现遮挡情况下人员的精准检测。
9、所述的s1中，特征提取模块采用resnet50，包括4个残差块。
10、其中通道注意力模块用于探索不同残差块中关注目标人员的身体部位的特征图；空间注意力模块用于探索经通道关注的不同尺度特征的可见人员部位特征。二者共同作用实现了对被遮挡人员可视区域特征的有效提取。
11、所述的s11中，通道注意力模块定义为：
12、hcn＝sigmoid(fml(fm(f0n))+fml(fa(f0n)))，n＝1，2，3，4 (1)；
13、fml为共享的多层感知机，fm为最大池化层，f0n为经不同残差块提取到的不同尺度特征图，n代表不同尺度，fa为平均池化层，hcn为通道注意力图；其中，fml由两个全连接层ff与一个relu激活函数frl组成；
14、获得不同尺度的第一特征图的步骤为：
15、经不同残差块提取的不同尺度特征图f0n，分别经过fm与fa处理后，再经fml处理；然后将进行相加，经sigmoid函数生成通道注意力图hcn；最后通过hcn×f0n获得通道加权的第一特征图f1n。
16、所述的s12中，空间注意力模块定义为：
17、hsn＝sigmoid(f7×7(fc(fm(f1n)，fa(f1n))))，n＝1，2，3，4 (2)；
18、式中，f7×7为7×7卷积层，fc表示cat拼接操作，hsn为空间注意力图；
19、获得第二特征图的步骤为：
20、s11获得的f1n经过fm与fa处理后，首先经过fc按通道维度拼接在一起，再经f7×7和sigmoid函数生成最终的空间注意力图hsn，最后通过hsn×f1n得到空间加权的第二特征图f2n。
21、所述的s2中，区域候选模块定义为：
22、
23、
24、f3n＝fp(m1n，m2n)，n＝1，2，3，4，5 (5)；
25、式中，f1×1为1×1卷积层，f3×3为3×3卷积层，为通道维度为2k的1×1卷积层，为通道维度为4k的1×1卷积层，fre为reshape层，fs为softmax函数，f14为n＝4时的f1n，即为第一特征图中的最后尺度特征图，区域候选模块中，将其对应的n记为5，即为n＝5代表f14，fp为proposal层，f3n为第三特征图；
26、m1n和m2n为用于计算f3n的中间结果，可以理解为：m1n为经过区域候选模块的粗分类分支计算的中间结果，m2n为经过区域候选模块的粗回归分支计算的中间结果。
27、获得第三特征图的步骤为：
28、第一特征图中的最后尺度特征图f14与第二特征图获得的所有尺度特征图f2n经f1×1和f3×3后分为两条支路，一条支路依次经fre和fs后获得m1n，另一条支路经后获得m2n，m1n与m2n经fp获得第三特征图f3n。
29、所述的s3中，双分支分类与回归模块定义为：
30、f4n＝frp(f3n)，n＝1，2，3，4，5 (6)；
31、
32、式中，frp为roi池化层，nc为分类得分，nr为回归得分，f4n为第四特征图，d为特征的数量；
33、获得第四特征图并将第四特征图输入双分支分类与回归模块的步骤为：
34、经区域候选模块获得的第三特征图f3n，经frp后，获得统一尺寸的第四特征图f4n，再将获得的f4n本文档来自技高网...
【技术保护点】
1.一种存在遮挡的电力作业现场人员目标检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S1中，特征提取模块采用Resnet50，包括4个残差块。
3.根据权利要求2所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S11中，通道注意力模块定义为：
4.根据权利要求3所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S12中，空间注意力模块定义为：
5.根据权利要求4所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S2中，区域候选模块定义为：
6.根据权利要求5所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S3中，双分支分类与回归模块定义为：
7.根据权利要求6所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的S4中，联合损失函数包括模型分类损失函数和模型回归损失函数，其中模型分类损失函数采用交叉熵损失函数、模型回归损失函数采用Smooth I
...【技术特征摘要】
1.一种存在遮挡的电力作业现场人员目标检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的s1中，特征提取模块采用resnet50，包括4个残差块。
3.根据权利要求2所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的s11中，通道注意力模块定义为：
4.根据权利要求3所述的一种存在遮挡的电力作业现场人员目标检测方法，其特征在于：所述的s12中，空间注意力模块定义为：
5.根据...
【专利技术属性】
技术研发人员：王维良，邹海涛，孙庆纲，桑栋，宋国梁，田明福，石翠，
申请(专利权)人：山东通广电子股份有限公司，
类型：发明
国别省市：
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。