The invention discloses an urban pedestrian detection method, which comprises the following steps: S1, receiving the original image through the image feature acquisition module; S2, processing the received original image through the image processing module; S3, feature map expansion; S4, sequentially connecting the whole feature image and the local feature enlarged image; S5, classification network training: using a variety of scales pedestrian. Distributed training depth neural networks in different feature maps; S6, pedestrian detection and annotation: the number of candidate windows of the two scale feature maps is aggregated proportionally, classified by the classifier trained in S5, and the travelers are restrained by non-maximum value; S7, detection results show. The pedestrian detection accuracy is improved by combining the whole feature image with the local enlarged feature image, and different weights are used to effectively avoid the misjudgment and omission of single feature image detection.
【技术实现步骤摘要】
一种城市行人检测方法
本专利技术涉及目标检测领域,具体是一种城市行人检测方法。
技术介绍
行人检测(PedestrianDetection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。该技术可与行人跟踪,行人重识别等技术结合,应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域。由于行人兼具刚性和柔性物体的特性,外观易受穿着、尺度、遮挡、姿态和视角等影响,使得行人检测成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。现有行人检测方法有三种,分别为基于全局特征的方法、基于人体部位的方法、基于立体视觉的方法。近年来,行人检测技术在智能监控、自动驾驶、机器人视觉等方面具有广泛的应用。实际应用中行人的着装,姿态尤其是视频中捕捉到的行人尺寸多变使得行人检测面临极大的挑战性。行人检测主要有两大方式:一种是基于滑动窗口的传统的行人检测方法,一种是基于深度学习提取特征的行人检测方法。传统的行人检测方法计算量大且没有利用GPU资源检测速度受限,由于计算机性能不断增强并且利用了GPU计算能力,大多基于学习特征的深度学习方法检测速度优于传统方法,但是往往难以解决行人的多尺度问题。
技术实现思路
本专利技术的目的在于提供一种城市行人检测方法,以解决上述
技术介绍
中提出的问题。为实现上述目的,本专利技术提供如下技术方案:一种城市行人检测方法,包括以下步骤:S1、通过安装于城市道路旁的摄像头采集行人图像,并将采集的图像上传,通过图像特征获取模块接收原始图像;S2、将接收的原始图像通过图像处理模块进行处理,并提 ...
【技术保护点】
1.一种城市行人检测方法,其特征在于,包括以下步骤:S1、通过安装于城市道路旁的摄像头采集行人图像,并将采集的图像上传,通过图像特征获取模块接收原始图像;S2、将接收的原始图像通过图像处理模块进行处理,并提取其中的局部特征,进行放大,其中,所述图像特征图(或者叫地标图)是指利用参数化特征(如点和线)的全局位置来表示环境;S3、特征图扩展:通过图像幂率规则和图像特征金字塔规则计算图像临近规模对应的特征图;S4、将所述整体特征图像和所述局部特征放大图像依次连接,并将整体特征图像和所述局部特征放大图像输送到特征数据库模块进行比对;S5、分类网络训练:利用多种尺度行人在不同特征图中的的分布训练深度神经网络;S6、行人检测标注:将得到的两种规模特征图的候选窗口数目按比例汇总,经过S5中训练好的分类器分类,经过非极大值抑制后框出行人;S7、检测结果显示。
【技术特征摘要】
1.一种城市行人检测方法,其特征在于,包括以下步骤:S1、通过安装于城市道路旁的摄像头采集行人图像,并将采集的图像上传,通过图像特征获取模块接收原始图像;S2、将接收的原始图像通过图像处理模块进行处理,并提取其中的局部特征,进行放大,其中,所述图像特征图(或者叫地标图)是指利用参数化特征(如点和线)的全局位置来表示环境;S3、特征图扩展:通过图像幂率规则和图像特征金字塔规则计算图像临近规模对应的特征图;S4、将所述整体特征图像和所述局部特征放大图像依次连接,并将整体特征图像和所述局部特征放大图像输送到特征数据库模块进行比对;S5、分类网络训练:利用多种尺度行人在不同特征图中的的分布训练深度神经网络;S6、行人检测标注:将得到的两种规模特征图的候选窗口数目按比例汇总,经过S5中训练好的分类器分类,经过非极大值抑制后框出行人;S7、检测结果显示。2.根据权利要求1所述的一种城市行人检测方法,其特征在于,所述S2中将接收的图像进行提取放大的步骤为:从整体特征图像中,扫面选取行人的明显特征,并通过放大,清晰的处理,将局部特征显现处理,并进行保存。3.根据权利要求1所述的一种城市行人检测方法,其特征在于,所述S3中扩展的图片规模和扩展次数不设限。4.根据权利要求1所述的一种城市行人检测方法,其特征在于,所述S3中对特征图扩展的步骤为:通过图像幂率规则和图像特征金字塔规则计算图像I1临近规模对应的特征图,一般利用fm=Cp(S(I1,M)),式中I1代表原图像,M代表缩放规模,S代表将原图缩放,Cp代表卷积池化操作计算特征,现在为减少卷积运算提高运行速度,利用公式:其中:参数m表示当前规模,m′表示缩放后的规模,S代表将特征图缩放m′/m倍,f表示特征,常系数α可以在训练集上通过实验测得,以上公式表明原图Im通过卷积池化操作得到特征...
【专利技术属性】
技术研发人员:杨军,
申请(专利权)人:广州烽火众智数字技术有限公司,
类型:发明
国别省市:广东,44
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。