(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221048157 7.3 (22)申请日 2022.05.05 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 强保华　郭舒　陈锐东　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 专利代理师 白洪 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 40/10(2022.01) G06V 20/52(2022.01) G06V 10/22(2022.01)G06V 10/25(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) (54)发明名称 基于可切换空洞卷积和GC-BFP特征增强的 行人检测方法及存 储介质 (57)摘要 本发明公开了一种基于可切换空洞卷积和 GC‑BFP特征增强的行人检测方法及存储介质， 所 述方法通过摄像监控设备获得行人数据， 经过行 人检测模型的数据处理， 输出检测数据。 行人检 测 模 型 使 用 轻 量 级 的 卷 积 神 经 网 络 ShuffleNetV2可以降低模型计算量， 提高模型速 度， 在ShuffleNetV2结构中融入可切换空洞卷 积， 帮助模型扩大并自适应选取感受野， 且在模 型多尺度特征融合后使用GC ‑BFP特征增强模块， 保证模型检测精度， 进一步提高了行人检测的检 测速度和精度。 权利要求书1页 说明书4页 附图2页 CN 114881210 A 2022.08.09 CN 114881210 A 1.基于可切换空洞卷积和GC ‑BFP特征增 强的行人检测方法， 其特征在于， 摄像头获取 行人数据输入行人检测模型， 行人检测模型输出检测结果， 所述行人检测模型 的构建包括 以下步骤： (1)保留ATSS模型中多尺度特征融合以及多尺度特征预测部分， 将特征提取部分的 ResNet‑50结构删去； (2)设计ShuffleNetV2 ‑SAC结构， 将ShuffleNetV21.0 ×中的1个Conv、 1个Maxpool、 4个 Stage2、 8个Stage3和4个Stage4保留， 同时将Stage2、 Stage3、 Stage4中strides＝1结构中 的3×3DWConv卷积替换为可切换空洞卷积SAC， SAC结构里的3 ×3卷积仍然使用3 ×3DWConv 卷积； (3)设计GC ‑BFP结构， 引入BFP特征增强模块， 并在BFP特征增强模块的Refine部分使用 GCNet全局注意力机制； (4)将步骤(2)所述的ShuffleNetV2 ‑SAC结构作为步骤(1)所述ATSS模型的特征提取模 块， 把Stage2、 Stage3、 Stage4输出的特征图作为步骤(1)所述ATSS模型多尺度特征融合的 输入部分； (5)将步骤(3)所述的GC ‑BFP结构用于步骤(1)所述ATSS模型的多尺度特征融合之后、 多尺度检测之前； 其中： ATSS表示目标检测模型； ShuffleNetV2表示卷积神经网络模型； DWConv表示深度 卷积层； Conv表示普通卷积层； Maxpool表示最大池化层； strides表示卷积步长； Stage2、 Stage3、 Stage4表示ShuffleNetV2结构的核心构件， 由一系列卷积步长为1和卷积步长为2 的结构构成。 2.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处理器执行时实现权利要求 1所述的基于可切换空洞卷积和GC ‑BFP特征增强的行人 检测方法的步骤。权　利　要　求　书 1/1 页 2 CN 114881210 A 2基于可切换空洞卷积和GC ‑BFP特征增强的行人检测方 法及存 储介质 技术领域 [0001]本发明涉及 计算机应用技术领域， 具体涉及一种基于可切换空洞卷积和GC ‑BFP特 征增强的行 人检测方法及存 储介质。 背景技术 [0002]随着互联 网和移动通信技术的发展， 计算机视觉作为人工智能领域的一个方向也 逐步获得广泛应用， 其中， 无人驾驶汽车、 无人配送机器人、 商场服务机器人等也得到了越 来越多的实际应用。 在无人汽车、 无人配送机器人或商场服务机器人行驶的过程中， 对于行 人的检测是一件重要的任务， 必须要对自身 行走路线 前侧及两侧存在的行人进行准确且实 时的检测， 才能保障行驶过程中的安全。 由于行人的各种穿着， 遮挡等影响， 行人检测的准 确率也存在着一定的技 术挑战。 [0003]行人检测的实现首先要对行人图像进行采集， 其次对行人进行分类和定位， 其中， 行人的分类和定位效果会直接影响行人检测的整体效果。 ATSS(目标检测模型)可以解决分 类和定位任务， 检测效果较好， 但是模 型的计算量还存在 优化的空间， 其它模型也是多少存 在一些不足之处。 因此， 设计一种计算量更小、 速度更快、 精度更好的实时行人检测模型用 于无人配送、 商场服 务或无人驾驶等方面是业界不断追求的目标。 发明内容 [0004]本发明提供了一种基于可切换空洞卷积和GC ‑BFP特征增强的高效行人检测方法， 通过将行人数据集应用到目标检测模型ATSS当中， 并将ShuffleNetV2、 可切换空洞卷积和 GC‑BFP特征增强融合到模型中， 设计了一种新的行人检测模型， 进一步提高了行人检测的 检测速度和精度。 [0005]本发明通过摄像监控设备获得行人数据， 经过行人检测模型的数据处理， 输出检 测数据。 所述行 人检测模型的构建包括以下步骤： [0006](1)保留ATSS模型中多尺度特征融合以及多尺度特征预测部分， 将特征提取部分 的ResNet ‑50结构删去。 [0007](2)设计ShuffleNetV2 ‑SAC结构， 将ShuffleNetV21.0 ×中的1个Conv、 1个 Maxpool、 4个Stage2、 8个Stage3和4个Stage4保留， 同时将Stage2、 Stage3、 Stage4中 strides＝1结构中的3 ×3DWConv卷积替换为可切换空洞卷积SAC， SAC结构里的3 ×3卷积仍 然使用3×3DWConv卷积。 [0008](3)设计GC ‑BFP结构， 引入BFP特征增强模块， 并在BFP特征增强模块的Refine部分 使用GCNet全局注意力机制。 [0009](4)将步骤(2)所述的S huffleNetV2 ‑SAC结构作为步骤(1)所述ATSS模型的特征提 取模块， 把Stage2、 Stage3、 Stage4输出的特征图作为步骤(1)所述ATSS模型多尺度特征融 合的输入部分。说　明　书 1/4 页 3 CN 114881210 A 3