买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种基于CSP模型的多级特征融合行人检测方法，采用CSP架构，使用CNN提取行人特征，然后网络分为3支分别预测目标中心点、目标高度和中心点偏移量，图像预处理后，使用PyconvResNet‑101作为特征提取网络从输入图像中提取特征图，将所得的不同阶段的特征图进行多级融合后得到最终的特征图送入预测网络，预测网络使用FocalLoss和SmoothL1进行训练，预测图中目标中心点、目标高度和中心点偏移量并生成目标检测框，使用非极大值抑制算法去除冗余的检测框得到最终的检测结果。本发明可充分融合高层特征图丰富的语义信息和低层特征图丰富的位置信息，有效减少小目标和严重遮挡情况下的误检和漏检。

主权项：1.一种基于CSP模型的多级特征融合行人检测方法，其特征在于，所述方法包括以下步骤：步骤1，采用CSP架构，使用CNN提取行人特征，然后网络分为3支分别预测目标中心点、目标高度和中心点偏移量，在训练阶段，对训练图像进行预处理后输入网络，所述预处理包括将图像尺寸调整到设定像素，对图像进行随机剪裁并调整亮度，使用PyconvResNet-101作为特征提取网络来提取行人特征，取PyconvResNet-101网络阶段二、阶段三、阶段四和阶段五得到的4张特征图进行多级融合得到最终特征图，最终特征图的通道数为1024，使用随机擦除数据增强对训练数据进行扩充，对目标中心点、目标高度和中心点偏移量使用FocalLoss和SmoothL1进行训练；步骤2，将获得的最终特征图送入后续预测网络，预测网络首先使用一个3*3的卷积将最终特征图的通道数调整为2n，n为正整数，3≤n≤9，然后使用两个1*1的卷积和一个2*2的卷积分别对目标中心点、目标高度和中心点偏移量进行预测并生成目标检测框，使用非极大值抑制算法去除冗余的检测框得到最终的检测结果；步骤3，在测试阶段，将测试图像调整成特定尺寸后输入网络，将得到的特征图进行多级融合后送入预测网络，预测网络输出目标的中心点、目标的高度和目标中心点的偏移量，目标宽度由目标高度乘系数得到；所述步骤1的过程为：使用PyconvResNet-101网络中阶段二、阶段三、阶段四和阶段五的最后一张特征图p2,p3,p4和p5进行多级融合，其中p2,p3,p4和p5分别为输入图像的宽高分别下采样4倍、8倍、16倍和32倍所得，多级融合的步骤为：1.1使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p5上采样2倍后与p4在通道方向上进行拼接得到p4_l1；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p4上采样2倍后与p3在通道方向上进行拼接得到p3_l1；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p3上采样2倍后与p2在通道方向上进行拼接得到p2_l1；1.2使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将1.1中所得特征图p4_l1上采样2倍后与1.1中所得特征图p3_l1在通道方向上进行拼接得到p3_l2；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p3_l1上采样2倍后与1中所得特征图p2_l1在通道方向上进行拼接得到p2_l2；1.3，使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将1.2中所得特征图p3_l2上采样2倍后与1.2中所得特征图p2_l2在通道方向上进行拼接得到最终特征图pout送入后续预测网络。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于CSP模型的多级特征融合行人检测方法