一种多尺度自注意力特征融合的行人检测方法与流程

技术特征：
1.一种多尺度自注意力特征融合的行人检测方法，其特征在于，该方法包括以下步骤：步骤1：行人检测图像数据的采集；步骤2：检测图像中行人尺寸的设计；步骤3：行人数据集正负样本的划分；步骤4：行人检测模型的搭建。2.根据权利要求1所述的一种多尺度自注意力特征融合的行人检测方法，其特征在于：所述步骤1中，行人检测图像数据的采集，行人检测数据集是在图像和视频中检测直立行人的研究工作中收集的，数据集中的行人主要是直立状态，并且高于100个像素，图片清晰度高，图片大部分选自个人照片，谷歌以及相机拍摄。3.根据权利要求1所述的一种基多尺度自注意力特征融合的行人检测方法，其特征在于，所述步骤2中，检测图像中行人尺寸的设计，具体步骤为：利用k
‑
means算法针对行人数据集重新聚类，得到更适应本模型的anchor size，为了更快更准确的迭代出最终结果，改用iou即预测框和anchor box的重叠度作为度量，即目标函数:distance＝1
–
iou(box，center)，其中box表示真实物体包围框的集合，center表示聚类中心框集合，对行人数据进行聚类最终得到4个中心点，分别是(12，22)，(25，38)，(41，77)，(48，91)。4.根据权利要求1所述的一种多尺度自注意力特征融合的行人检测方法，其特征在于，所述步骤3中，行人数据集正负样本的划分，具体步骤为：利用目标检测标注工具进行标注，将图片格式化为一定的图片尺寸，进而获得行人图像信息，分为包含行人和不包含行人两大类，采取随机抽样的方式将所采集的行人图像数据按一定的比例划分为独立不重复的训练集和测试集。5.根据权利要求1所述的一种多尺度自注意力特征融合的行人检测方法，其特征在于，在所述步骤4中，行人检测模型的搭建，具体过程为：步骤4
‑
1通过使用轻量化网络模型减少网络参数和网络的运算量可以有效提升行人检测的效率，mobilenetv2为轻量化网络，将其应用于特征信息提取任务；步骤4
‑
2深层网络的感受野比较大，语义信息抽象能力强，但是特征图的像素数量级小，会丢失很多细节信息，缺乏空间几何特征的表达能力，浅层网络的感受野比较小，空间信息表征能力强，虽然像素数量级高，但是语义信息的抽象能力弱，将深层语义信息与浅层高分辨率特征进行融合，组成预测坐标位置框和分类任务的多尺度特征图，以此来提高检测精度；步骤4
‑
3senet是一种复杂度低，计算量小的简单有效的注意力机制网络模型，senet模块能够使网络在特征图通道维度上进行拟合，起到强化图像中具有判断力的特征，抑制图像中非显著性特征的作用，分别将senet模块镶嵌在多尺度特征融合之前对特征图进行卷积处理。

技术总结
本发明公开了一种多尺度自注意力特征融合的行人检测方法，设及人工智能领域，包括以下步骤：(1)行人检测图像数据的采集；(2)检测图像中行人尺寸的设计；(3)行人数据集正负样本的划分；(4)行人检测模型的搭建；本发明采用Faster R


技术研发人员：张凯
受保护的技术使用者：哈尔滨理工大学
技术研发日：2021.07.06
技术公布日：2021/10/23