买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明公开了一种基于长尾域紧凑度的复杂场景行人检测方法，该方法包括以下步骤：利用训练好的检测模型获得每一个行人实例的特征向量；计算特征向量两两之间的欧式距离，对于每个实例取前K个最小的欧式距离之和作为其所处特征空间的域紧凑度，然后构建所有行人实例的域紧凑度直方图，直方图呈现长尾分布；在训练过程中，对于域紧凑度值较大的行人实例，在特征空间生成更多的正样本；根据每个样本的域紧凑度和分类损失计算对应损失的权重，优化模型对不同样本的关注度。本发明与经典方法相比，从统计学角度显式表示行人实例的检测难度，旨在提高模型对复杂场景行人检测的泛化性能。

主权项：1.一种基于长尾域紧凑度的复杂场景行人检测方法，其特征在于，包括以下步骤：步骤一、选取两阶段行人检测器FasterRCNN进行训练，将训练集图片送入该训练好的检测模型，以获得每一个行人实例即真实标注框对应的特征向量；步骤二、利用步骤一得到的特征向量计算欧式距离作为行人实例两两之间的相似度，对于每个实例取前K个最小的欧式距离之和作为其所处特征空间的域紧凑度；步骤三、在训练过程中，对于域紧凑度值大于阈值的实例，在特征空间进行特征增广，以生成更多的正样本；生成新的特征样本的具体方法为：首先根据域紧凑度设定阈值，将实例划分为头部和尾部两部分子集；对于每一个处于尾部的行人实例xt，在将候选框与真实标注框进行正负样本匹配之后会获得对应的m个正样本然后再随机选取一个处于头部的实例xh，计算每个与xh的特征相似度，Softmax归一化后得到权重加权和即为生成的新的特征样本；采用一个随着训练迭代次数变化的阈值来划分头部和尾部实例： 其中，t1,t2分别是阈值的下界和上界，t1是将头尾实例数量分为4：6的域紧凑度值，t2是将头尾实例数量分为8：2的域紧凑度值；增长因子与当前迭代次数有关，T指当前训练次数，Tmax指总训练次数；将候选框和特征提取网络输出的特征进行对齐，得到感兴趣区域特征，然后把每一个候选框的感兴趣区域特征x转化为向量，x∈Rw×h＝C，如公式3所示： 其中，w,h为对齐后的感兴趣区域特征的大小，C表示特征的通道数；对于每一个感兴趣区域特征x，先将其分别逐通道求平均和标准差，得到vmean和vstd，再用均值向量减去标准差向量得到最终的特征向量v；对于每个尾部实例xt，得到m个与之匹配的正样本特征然后随机选取一个头部实例特征xh，将它们按照公式3转化为特征向量和vh，计算每一个与vh的欧式距离，再将m个欧式距离送入Softmax函数进行归一化，通过一个调节因子λ进行放缩，从而得到每个候选框特征的权重，最后通过公式5加权融合得到新的特征： 步骤四、每个样本的域紧凑度作为以e为底的指数函数的指数，其与分类损失之和作为对应样本损失的权重。

全文数据：

权利要求：

百度查询： 南京理工大学 基于长尾域紧凑度的复杂场景行人检测方法