(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 202210893634.9 (22)申请日 2022.07.27 (71)申请人 南京华康智能科技有限公司 地址 210000 江苏省南京市溧水 经济开发 区团山东路9号3幢等 (72)发明人 邢卫国　孙超　吴宇飞　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 潘霞 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/16(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/74(2022.01)G06V 10/40(2022.01) (54)发明名称 一种提高密集行 人检测的方法 (57)摘要 本发明公开了一种提高密集行人检测的方 法， 包括以下步骤： 读取待检测的目标图像； 以目 标图像的作为输入， 送入构建好的行人检测器提 取特征， 并根据特征实现行人检测； 以目标图像 作为输入， 同时送入构建好的人头检测器提取特 征， 并根据到的特征实现人头检测。 本发明通过 通过行人检测器与人头检测器对获取的图像数 据进行特征提取， 然后将行人检测器检测到的行 人和人头检测器的人头进行Intersection ‑ over‑Union关联， 对未匹配 上的人头检测模型预 测的目标和已匹配上的计算欧式距离； 其中， 如 果距离小于某个阈值， 将其关联到已匹配上的人 头对应的行人， 拟合出对应的行人目标， 提高行 人的检出率， 反 之将其过滤。 权利要求书2页 说明书6页 附图2页 CN 115205904 A 2022.10.18 CN 115205904 A 1.一种提高密集行 人检测的方法， 其特 征在于， 包括以下步骤： 步骤一： 读取待检测的目标图像； 步骤二： 以所述步骤一的目标图像的作为输入， 送入构建好的行人检测器提取特征， 并 根据特征实现行 人检测； 步骤三： 以所述步骤一的目标图像作为输入， 同时送入构建好的人头检测器提取特征， 并根据到的特 征实现人头检测； 步骤四： 将上述的行人检测器检测到 的行人和人头检测器的人头进行Intersection ‑ over‑Union关联， 对未匹配上的人头检测模型 预测的目标和已匹配上的计算欧式距离； 其中， 如果距离小于某个 阈值， 将其关联到已匹配上的人头对应的行人， 拟合出对应的 行人目标， 提高行 人的检出率， 反 之将其过 滤。 2.根据权利要求1所述的一种提高密集行人检测的方法， 其特征在于： 所述所述步骤二 的行人检测器包括骨干网络、 颈 部网络、 检测头的构建以及锚点框的设置 。 3.根据权利要求2所述的一种提高密集行人检测的方法， 其特征在于： 该方法选用 MobileNetV3作为骨干网络， 以640x640作为网络的输入， 并选取了 640x640作为输入尺寸。 4.根据权利要求3所述的一种提高密集行人检测的方法， 其特征在于： 该方法选取行人 检测器的骨干网络的80x80,40x40,20x20这三层特征层来进行特征融合， 首先将20x20这一 特征层进行反卷积， 上采样到40x40， 接着将其和选取的40x40特征层进行特征融合逐点相 加， 对于融合完的40x40特征层再进行一次反卷积， 上采样到80x80， 再将其和选取的80x80 特征层进行特征融合， 最后， 将融合后的80x80， 40x40和未融合的20x20这三层特征层作为 检测头的输入。 5.根据权利要求2所述的一种提高密集行人检测的方法， 其特征在于： 所述行人检测器 的颈部网络用于完成浅层特征和深层特征的融合， 检测头用来对融合后的80x80， 40x40和 未融合的20x20这 三层特征层进行回归预测行 人。 6.根据权利要求2所述的一种提高密集行人检测的方法， 其特征在于： 所述行人检测器 的锚点框的具体设置方式为： 对于20 *20这一融合的特 征图， 锚点框高度为512， 宽度为25 6； 对于40*40这一融合的特 征图， 锚点框高度设置为25 6， 宽度设置为128； 对于80*80这一融合的特征图， 设置两组大小 的锚点框进行检测， 分为是： 锚点框高度 设置为32， 宽度设置为16以及锚点框高度为64， 宽度为32。 7.根据权利要求1所述的一种提高密集行人检测的方法， 其特征在于： 所述人头检测器 也包括骨干网络、 颈 部网络、 检测检测头的构建以及锚点框的设置 。 8.根据权利要求7所述的一种提高密集行人检测的方法， 其特征在于： 该方法选用选用 MobileNetV1作为人头检测器的骨干网络， 以640x640作为网络的输入， 并选取了640x640作 为输入尺寸。 9.根据权利要求8所述的一种提高密集行人检测的方法， 其特征在于： 所述人头检测器 骨干网络完成对 人脸特征的提取， 与行人检测器一致， 选取骨干网络的80x80,40x40,20x20 这三层特征图进行特征融合， 融合策略也是先将低分辨率的特征图进行上采样， 后将上采 样后的特 征图与对应的特 征图进行 特征融合； 所述人头检测器构建检测头的方式与行人检测器一致， 所述人头检测器锚点框的设置 方式为： 对于80x80这一特征层， 设置锚点框高度为32， 宽度为16大小的锚点框， 对于40x40权　利　要　求　书 1/2 页 2 CN 115205904 A 2这一特征层， 锚点框高度与宽度均为64； 而对于20x20特征图， 则设置高宽为128x128大小的 锚点框。 10.根据权利要求1 ‑9任一项所述的一种提高密集行人检测的方法， 其特征在于： 所述 行人检测器和人头检测器的结果进行关联的具体方式如下： 步骤一： 对人头检测模型预测的人头目标和行人检测预测的行人目标遍历计算IOU,如 果IOU大于阈值的话， 判定两者属于同一目标， 而如果IOU小于阈值的话， 判定这两者分属不 同目标即未匹配上； 步骤二： 对于未匹配上的人头目标和已匹配上的人头目标遍历计算欧式距离， 如果两 者距离小于距离阈值的话， 就判定该人头对应的行人被遮挡了， 将其和对应的行人目标绑 定， 如果存在 多个距离值小于阈值的情况， 选取最小距离的行人目标进 行绑定， 而如果距离 大于距离阈值的话 就将其舍弃； 步骤三： 对于判定为遮挡的目标， 首先计算绑定的行人框和其匹配上的人头框高度差， 即匹配上的行人框和人头框的高度差， 接着 计算绑定的行人框和其匹配上的人头框的左上 角和右上角的宽度差， 最后使用遮挡目标的左上角横向坐标加上左上角宽度差作为遮挡目 标的左上角坐标， 遮挡目标的右上角横向坐标加上右上角宽度差作为遮挡目标的右上角坐 标， 遮挡目标左上角的纵向坐标加上高度差作为遮挡目标 的左下角坐标， 遮挡目标 的右上 角纵向坐标加上高度差作为遮挡目标右下角坐标， 如果得到的左下角坐标和右下角坐标小 于原始右下角和左下角坐标， 使用相对较大值作为最终坐标， 这样得到最终的四个顶点坐 标， 此外如果计算出的坐标超出当前输出的高和宽， 还需对坐标进行截断处 理。权　利　要　求　书 2/2 页 3 CN 115205904 A 3