一种基于深度学习的夜间行人检测算法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115019340A(43)申请公布日2022.09.06(21)申请号202210507603.5(22)申请日2022.05.11(71)申请人成都理工大学地址610059四川省成都市成华区二仙桥东三路1号(72)发明人王宇郑雁文朱迎梅(51)Int.Cl.G06V40/10(2022.01)G06V10/22(2022.01)G06V10/764(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的夜间行人检测算法(57)摘要本发明涉及一种基于深度学习的夜间行人检测算法，属于目标检测技术领域。首先针对因夜间图像的弱光照特性导致的无法区分前景与背景问题，使用Zero‑DCE算法进行光照增强，以便于后续检测；然后针对YoloV4算法在夜间场景下特征提取能力不足的问题，提出双主干网络改进方案；最后改进特征融合模块，加强不同层特征图之间的信息流通。本发明采用以上方案构成夜间行人检测算法法，实现了比YoloV4算法更好的检测效果，为车辆辅助驾驶、智能机器人等研究方向提供技术支持。CN115019340ACN115019340A权利要求书1/2页1.一种基于深度学习的夜间行人检测算法，其特征在于，步骤如下：步骤一、构建夜间行人数据集；步骤二、对YoloV4算法的网络结构进行改进，得到适用于行人检测的改进YoloV4算法；步骤三、使用夜间行人数据集训练算法模型；步骤四、待检测RGB图像的大小设置为416*416，输入到Zero‑DCE网络，进行光照增强；步骤五、针对Zero‑DCE网络输出的增强图像，采用改进YoloV4网络输出最终的行人检测结果，检测结果包括待分类图像中目标区域的位置以及对应的类别，类别标注设置为person；其中，改进YoloV4算法的网络结构包括特征提取主干网络、SPP模块、特征融合网络、多分类器模块。改进YoloV4算法中特征提取主干网络是由两个CSPDarknet53网络共同组建的双主干网络(Double‑CSPDarknet53)，网络输出特征图大小分别为104*104、52*52、26*26、13*13；所述SPP模块采用13*13大小的特征图作为输入，增强该特征图的感受野；然后对YoloV4算法的特征融合网络进行改进，增强不同输出特征图间的信息交互；最后，使用多分类器模块对不同尺度的特征进行分类检测，完成整个检测过程。2.如权利要求1所述的一种基于深度学习的夜间行人检测算法，其特征在于：夜间行人数据集由NightOwls夜间行人数据集与手动拍摄的夜间道路行人图片组成，共计5000张不同姿态，不同遮挡程度的夜间行人图片。3.如权利要求1所述的一种基于深度学习的夜间行人检测算法，其特征在于：在进行行人检测前，先使用Zero‑DCE光照增强算法处理输入图像，解决在夜间场景下，因难以区分前景与背景，出现的检测困难问题。4.如权利要求1所述的一种基于深度学习的夜间行人检测算法，其特征在于：所述的双主干网络结构(Double‑CSPDarknet53)是一种并行的特征提取网络，将两个CSPDarknet53网络提取的特征进行融合，得到更好的特征表达。所述CSPDarknet53网络是由DaeknetConv2D_BN_Mish模块以及五组Resblock_body模块依次连接而成，从第二组Resblock_body模块开始，直到第5组Resblock_body模块，输出特征图大小依次为104*104、52*52、26*26、13*13。5.如权利要求1所述的一种基于深度学习的夜间行人检测算法，其特征在于：所述SPP模块包含4个池化核大小分别为13*13、9*9、5*5、1*1的并行的最大池化层。所述SPP模块的作用是对改进特征提取网络中大小为13*13的输出特征图的感受野进行增强，不同池化核会得到不同感受野的特征图，然后将4个处理后的特征图再去通道维度进行拼接，得到SPP模块输出特征图。6.如权利要求1所述的一种基于深度学习的夜间行人检测算法，其特征在于：所述改进特征融合网络包含上采样层(上采样层1、上采样层2、跨层上采样层)、融合层(融合层1、融合层2、融合层3、融合层4、融合层5)、下采样层(下采样层1、下采样层2、下采样层3)、卷积层，并根据图2所示数据流向进行依次连接。所述SPP模块的输出特征图分别输入到上采样层1与、跨层上采样层与融合层5，将上采样层1输出特征图输入到融合层1，将跨层上采样层的输出特征图输入到融合层2，最后将融合层5输出特征图输入到多分类器模块。所述Doubl