(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 202210855690.3 (22)申请日 2022.07.14 (71)申请人 西安科技大 学 地址 710000 陕西省西安市雁塔中路58号 (72)发明人 郝帅　何田　马旭　安倍逸　张旭　 杨磊　李嘉豪　王海莹　 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/13(2017.01) G06T 5/00(2006.01) G06T 3/40(2006.01) (54)发明名称 一种跨尺度红外行人检测方法、 系统、 介质、 设备及终端 (57)摘要 本发明属于行人检测技术领域， 公开了一种 跨尺度红外 行人检测方法、 系统、 介质、 设备及终 端， 构建亮度感知模块， 通过结合四叉树 ‑贝塞尔 插值算子及引导滤波器得到重构背景图像及亮 度特征图像； 设计EG ‑Chimp优化模型并对构建的 目标函数进行迭代寻优， 得到动态特征优化图 像； 在YOLOv5算法框架下引入BiFPN特征金字塔 结构； 设计跨尺度特征融合模块以学习不同尺度 特征间的权重参数； 引入CIOU回归损 失函数， 实 现跨尺度红外行人检测任务。 本发 明将传感器技 术及目标检测算法进行交叉融合， 提高检测网络 对行人目标特征表达能力， 改善多尺度及部分遮 挡情况下红外行人检测性能， 能够实现各种复杂 环境下的跨尺度红外行 人检测任务。 权利要求书2页 说明书13页 附图6页 CN 115331162 A 2022.11.11 CN 115331162 A 1.一种跨尺度红外行 人检测方法， 其特 征在于， 所述 跨尺度红外行 人检测方法包括： 构建亮度感知模块， 通过结合四叉树 ‑贝塞尔插值算子及引导滤波器得到重构背景图 像及亮度特征图像； 设计EG ‑Chimp优化模型并对构建 的目标函数进行迭代寻优， 得到动态 特征优化图像； 在YOLOv5算法框架下引入BiFPN特征金字塔结构以增强算法颈部网络的特 征聚合能力； 设计跨尺度特征融合模块以学习不同尺度特征间的权重参数； 优化损失函数， 通过引入CIOU回归损失函数加快算法收敛， 进 而实现跨尺度红外行 人检测任务。 2.如权利要求1所述的跨尺度红外行人检测方法， 其特征在于， 所述跨尺度红外行人检 测方法包括以下步骤： 步骤一， 结合四叉树 ‑贝塞尔插值算子及引导滤波器构建亮度感知模块并对输入图像 进行亮度特 征提取； 步骤二， 设计EG ‑Chimp优化模型， 搭建YOLOv5检测算法框架并引入B iFPN特征金字塔结 构， 同时进行尺度跳跃 连接； 步骤三， 构建跨尺度特征融合模块， 利用可学习权重参数对多尺度特征进行权值分配 实现密集多目标场景 下红外行 人检测任务。 3.如权利要求1所述的跨尺度红外行人检测方法， 其特征在于， 所述亮度感知模块的构 建包括： (1)构建四叉树 ‑贝塞尔插值算子， 通过调节部分采样控制点恢复大规模像素矩阵， 进 而得到初始背景图像； (2)利用引导滤波的局部线性拟合特性平 滑初始背景图像边 缘信息； (3)利用线性相减算子提取红外亮度特 征图像。 4.如权利 要求1所述的跨尺度红外行人检测方法， 其特征在于， 所述EG ‑Chimp优化模型 的设计包括： (2)构建目标函数， 同时兼顾动态特 征优化图像IOir的梯度变化和能量损失： F＝min(LSF+λLCON)； 式中， LSF表示空间频率函数， 能够反映图像空间突变如边缘 的变化情况， 数值越高， 则 表明图像中人物目标越清晰； LCON表示内容损失函数； (2)针对所构建的目标函数， 引 入人猿优化模型， 通过模拟人猿捕食和混乱抢食2种状 态， 最终得到动态特 征优化图像。 5.如权利要求1所述的跨尺度红外行人检测方法， 其特征在于， 所述BiFPN特征金字塔 结构包括： (3)在YOLOv5原 始FPN‑PAN金字塔结构基础上， 删除仅有一条输入边的节点； (4)颈部网络自顶向下传递强语义信 息， 自底向上传递强定位信息， 进而对不同尺度信 息进行特征聚合； (3)采用尺度跳跃 连接的方式增强颈 部网络特 征聚合能力。 6.如权利要求1所述的跨尺度红外行人检测方法， 其特征在于， 所述跨尺度特征融合模权　利　要　求　书 1/2 页 2 CN 115331162 A 2块的构建包括： (1)对不同尺度特征进行尺度调整， 在上采样过程中， 利用1*1卷积调整通道数并引 入 最近邻插值； 在下采样过程中， 通过步长为2的3*3卷积 完成1/2比例的下采样， 并通过在2步 卷积之前 添加步长为2的最大池化层完成1/4比例的下采样； (2)利用1*1的卷积预估计各输入特征的权重参数并通过soft ‑max归一化函数进行微 调； (3)对尺度调整后的输入特 征进行权 重分配得到融合后的输出 特征； 所述CIOU损失函数通过计算两框重叠面积、 中心点距离及宽高比提高预测框的回归速 度： 式中， b和bgt分别表示预测框和目标框的中心点， ρ( ·)为两框中心点间的欧式距离， C 表示覆盖预测框与目标框之间的最小矩形的斜距， 为限制预测 框长宽比的权重参数， v表 示衡量预测框与真实框 宽高比的一 致性参数。 7.一种应用如权利要求1～6任意一项所述的跨尺度红外行人检测方法的跨尺度红外 行人检测系统， 其特 征在于， 所述 跨尺度红外行 人检测系统包括： 亮度特征提取模块， 用于构建亮度感知模块， 通过结合 四叉树‑贝塞尔插值算子及引导 滤波器得到 重构背景图像及亮度特 征图像； 动态特征优化模块， 用于设计EG ‑Chimp优化模型并对构建的目标函数进行迭代寻优， 得到动态特 征优化图像； 跨尺度特征融合模块， 用于在YOLOv5算法框架下引入BiFPN特征金字塔结构， 设计跨尺 度特征融合模块以学习不同尺度特 征间的权 重参数； 红外行人检测模块， 用于优化损失函数， 引入CIOU回归损失函数， 利用可学习权重参数 对多尺度特 征进行权值分配实现红外行 人检测。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行如权利要求 1 ～6任意一项所述的跨尺度红外行 人检测方法。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行如权利要求1～6任意 一项所述的跨尺度红外行 人检测方法。 10.一种信息数据处理终端， 其特征在于， 所述信息数据处理终端用于实现如权利要求 7所述的跨尺度红外行 人检测系统。权　利　要　求　书 2/2 页 3 CN 115331162 A 3