(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 202210613166.5 (22)申请日 2022.06.01 (71)申请人 长春工业大学 地址 130012 吉林省长 春市朝阳区延安大 街2055号 (72)发明人 侯阿临　任子航　孙弘建　 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于ACSP的轻量级注意力机制行人检 测算法 (57)摘要 本发明所解决的技术问题是行人检测中对 于有遮挡情形下所造成的漏检率过高的问题， 提 出 一 种 基 于 A C S P (AdaptedCenterandScaleP rediction)的轻量级 注意力机制行人检测算法。 以A CSP行人检测器为 基础， 引入了ECA轻量级注意力机制模块， 在计算 过程中引入较少参数的同时提升了算法检测性 能， 并且采取了DIoU非极大值抑制来优化冗余候 选预测框的方法， 有效降低了行人检测漏检率， 在处理有遮挡或严重遮挡 时具有非常优异的效 果。 本发明在行人检测工作及安防领域中可以有 效解决遮挡性和多尺度性对检测的精度造成的 影响。 权利要求书2页 说明书4页 附图2页 CN 114973137 A 2022.08.30 CN 114973137 A 1.一种基于ACS P的轻量级注意力机制行 人检测算法， 其特 征在于， 包括以下步骤： Step1： 数据预处 理， 将行人数据集根据需求调整为网络可训练的大小； Step2： 输入需要进行处理的行人图像， 通过构建引入ECA轻量级通道注意力模块的 ResNet‑101模型， 进行 特征提取及特 征融合； Step3： 行 人预测， 分别对行 人中心点、 尺度和偏移量进行 预测； Step4： 预测框后处理， 行人预测结果经过DIoU ‑NMS处理， 保留遮挡行人的预测框， 去除 同一个行 人的冗余预测框， 最终得到网络的整个预测结果。 2.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法， 其特征在 于， 所述Step  1中的具体过程如下： Step1.1将输入图片尺寸调整为768 ×1536， Batch size设置为 4。 3.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法， 其特征在 于， 所述Step  2中的具体过程如下： Step2.1构建引入了ECA轻量级通道注意力模块的ResNet ‑101模型， 即在ResNet的每个 残差块中都引入一个E CA模块； Step2.2输入需要进行处理的行人图像后， 主干网络通过卷积操作生成不同分辨率的 特征图， 定义如下： 其中， 表示第i层输 出的特征图， 这些特征图由fi对第i‑1层特征图进行卷积、 池 化、 正 则化等处理。 为一个N层网络输出的所有特征图， 些特征图中所包含目 标的位置或语义信息都可以被预测部分所利用； Step2.3 ResNet作为主干网络提取特征图按照尺寸不同划分为四个特征层， 每个特征 层的尺寸依次为原图像的1/4、 1/16、 1/64、 1/256， 而每层特征层由前一特征层通过下采样 操作得到； Step2.4在特征融合部分， 深层特征层通过反卷积操作让特征尺寸适应浅层特征层的 特征尺寸， 然后按照特 征金字塔策略(FPN)使用Co ncat操作进行 特征融合。 4.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法， 其特征在 于， 所述Step  3中的具体过程如下： Step3.1将处理后的行人数据通过两个1 ×1卷积核和一个2 ×2卷积核， 分别对行人中 心点、 度和偏移量进行 预测。 5.根据权利要求1所述的一种基于ACSP的轻量级注意力机制行人检测算法， 其特征在 于， 所述Step  4中的具体过程如下： Step4.1在I oU的基础上， 引入一个惩罚项， 即DI oU： 其中， ρ表示计算两个预测框中心点间的欧氏距离， c表示能够同时覆盖两个预测框的 最小矩形的对角线距离， B_1、 B_2分别表示预测框1和预测框2的面积； Step4.2使用DIoU ‑NMS对行人预测结果进行处理。 对于当前正在进行处理的预测框， DIoU‑NMS的预测得分更新公式如下式所示：权　利　要　求　书 1/2 页 2 CN 114973137 A 2其中， si为当前处理的预测框得分， M为分数最高的预测框， Bi为当前进行处理的第i个 预测框， ε为阈值， 在目标检测进行计算 IoU时， 该阈值 通常设定为0.4； Step4.3当ρ2和c2的比值较小时， 对IoU的值基本不会产生影响， 两个预测 框IoU的值依 然很大， 此时依然会存在两个预测框预测的是同一个行人的可能性； 减去惩罚项后， IoU的 值大于或等于阈值 ε， 此时被处理的预测框得分置0， 以此来达到抑制重复预测框的效果； 当 ρ2和c2的比值较大时， IoU的值变化会很明显， 此时两个预测框预测的很有可能是两个不同 的行人， 减去惩罚项后IoU小于阈值ε， 当前预测框保留预测得分， 以此保留更多的预测结 果。权　利　要　求　书 2/2 页 3 CN 114973137 A 3