(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 202210696966.8 (22)申请日 2022.06.20 (71)申请人 安徽工程大学 地址 241000 安徽省芜湖市北京中路8号 (72)发明人 韩超　宣勇　 (74)专利代理 机构 北京元本知识产权代理事务 所(普通合伙) 11308 专利代理师 范奇 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOX算法的行 人遮挡检测方法 (57)摘要 本发明涉及一种基于改进YOL OX算法的行人 遮挡检测方法， 包括： 获取行人遮挡数据集， 分为 训练集、 验证集和测试集； 构建YOLOX网络模型； 将YOLOX网络模型的主干特征网络融合改进的 CBAM模块， 加入ASFF自适应特征融合机制模块， 得到改进后的YOLOX网络模型； 将融合后的特征 图通过不同尺寸的YOLO检测头对训练集图像中 目标的位置和类别进行预测， 得到预测结果， 利 用损失函数训练改进后的YOLOX网络模型； 将验 证集输入改进后的YOLOX网络模型中， 通过实验 训练得到最优权重， 对测试集中的图片进行测 试， 获得最终的检测结果。 本发明将YOL OX算法应 用到行人遮挡检测中， 在原来的特征提取网络 上， 增加改进的CBAM模块， 来增强特征图中的特 征， 从而得到更有用的特征， 能够更好的识别出 行人。 权利要求书2页 说明书5页 附图1页 CN 115082855 A 2022.09.20 CN 115082855 A 1.一种基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 该方法包括下列顺序的 步骤： (1)获取行人遮挡数据集， 对获取的行人遮挡数据集中的数据进行数据增强处理， 再将 行人遮挡数据集分为训练集、 验证集和 测试集； (2)构建YOLOX网络模型； (3)将YOLOX网络模型的主干特征网络融合改进的CBAM模块， 得到融合后的YOLOX网络 模型， 将训练集输入融合后的YOLOX网络模型进行特征提取， 得到提取的特征， 在融合后的 YOLOX网络模型的基础上加入ASFF自适应特征融合机制模块， 得到改进后的YOLOX网络模 型， 将提取的特征的权重参数输入改进后的YOLOX网络模型， 改进后的YOLOX网络模型对提 取的特征进行学习， 得到融合后的特 征图， 将训练集输入改进后的YOLOX网络模型中训练； (4)将融合后的特征图通过不同尺寸的YOLO检测头来对训练集图像中目标位置和类别 进行预测， 得到预测结果， 利用损失函数训练改进后的YOLOX网络模型； (5)将验证集输入改进后的YOLOX网络模型中， 通过实验训练得到最优权重， 对测试集 中的图片进行测试， 获得最终的检测结果。 2.根据权利要求1所述的基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 在步 骤(2)中， 所述YOLOX网络模型包括： 特征提取网络Backbo ne， 用于进行 特征提取， 提取到的特 征称作特 征层； 加强特征网络Neck， 用于对获得的有效特 征层采用FPN进行 特征融合； 预测网络 YOLO Head， 用于对特 征进行分类和定位， 得到最终的预测结果。 3.根据权利要求1所述的基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 在所 述步骤(3)中， 改进的CBAM模块是一种结合空间注 意力和通道注 意力的模块， 通道 域注意力 机制中的方程如下： 式中， MC(F)表示通道注意力特征， F表示原始图像特征； MLP表示为多层感知器， W1和W0 为MLP的权重， AvgPool表示平均池化， MaxPool表示最大池化， σ 表示sigmoid激活函数， 和 分别表示平均池化和最大池化 运算； 空间域注意力机制的方程 为： 式中， MS(F)表示空间注意力特征， Conv表示卷积运算， Cat为连接操作； f7×7表示大小为 7×7的卷积运 算； 和 分别表示平均池化和最大池化 运算； 融合后的YOLOX网络模型进行特征提取， 得到的提取特征是通道域注意力机制特征、 空 间域注意力机制特 征和原特 征相叠加的特 征， 叠加的方程 为： 权　利　要　求　书 1/2 页 2 CN 115082855 A 2式中， F′表示提取特征， MC(F)表示通道注意力特征， MS(F)表示空间注意力特征， F表示 原始图像特 征； 将提取的特征的权重参数输入改进后的YOLOX网络模型， 改进后的YOLOX网络模型对提 取特征进行学习， 得到融合后的特 征图， 如方程(4)所示： 其中， 为来自不同层的权重参数， 为来自不同特征图的 输出， 通过融入自适应特征融合机制， 对图像高层的语义信息以及对底层的轮廓、 边缘、 颜 色、 形状信息进行利用， 利用不同尺度的特 征进行特征提取。 4.根据权利要求1所述的基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 在步 骤(4)中， 所述不同尺寸的YOLO检测头的个数为三个， 分别用于检测大 目标、 中目标和小目 标， 每个检测头拥有一个由解耦头和签 分配策略组成的高性能的Anchor  free检测器， 输入 Anchor free检测器的图片尺寸为N*N， 通道数为3， 检测输出预测结果(M*M*(4+1+C))， 其 中， M为不同尺度的特 征层预测的结果， 4和1分别是 预测框的坐标和置信度， C为检测类别。 5.根据权利要求1所述的基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 在步 骤(4)中， 所述损失函数采用Focal  loss损失函数， 在Focal  loss损失函数中引入α1平衡因 子， 平衡正负 样本的数量比， 如方程(5)所示： 其中， α1为平衡因子， γ1为调节因子， 加入γ1减少易分类样本的损失， y是真实样本， Focal loss损失函数使用 α1和γ1进行综合调控， 得到最优权 重。 6.根据权利要求1所述的基于改进YOLOX算法的行人遮挡检测方法， 其特征在于： 在步 骤(5)中， 将测试集图片输入训练好的改进后的YOLOX网络模型中， 获得最终的检测结果。权　利　要　求　书 2/2 页 3 CN 115082855 A 3