本發(fā)明涉及目標(biāo)檢測領(lǐng)域，尤其涉及一種目標(biāo)行為檢測模型的構(gòu)建方法。

背景技術(shù)：

1、隨著目標(biāo)檢測技術(shù)的不斷發(fā)展，該技術(shù)已經(jīng)廣泛應(yīng)用于自動駕駛、視頻監(jiān)控等領(lǐng)域。目標(biāo)檢測不僅包括對目標(biāo)本身的檢測，還包括對目標(biāo)行為進(jìn)行檢測。近年來人工智能技術(shù)迅速崛起，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)被廣泛應(yīng)用于目標(biāo)行為自動檢測。

2、目前現(xiàn)有的目標(biāo)行為相關(guān)檢測模型通常采用下述幾種方法進(jìn)行檢測：

3、(1)采用深度神經(jīng)網(wǎng)絡(luò)對目標(biāo)行為手勢進(jìn)行特征提取，從而實現(xiàn)目標(biāo)行為的自動檢測；

4、(2)通過建立基于深度學(xué)習(xí)算法的目標(biāo)檢測模型對特定目標(biāo)進(jìn)行識別，從而實現(xiàn)目標(biāo)行為的自動檢測。

5、上述方法存在以下缺陷：

6、對于方法(1)，由于目標(biāo)行為手勢多變、人體膚色多樣、相機拍攝角度不同、易與目標(biāo)行為類似的手勢相混淆等因素，導(dǎo)致識別誤判率較大，目標(biāo)行為檢測的準(zhǔn)確率較低；

7、對于方法(2)，由于有些特定目標(biāo)較小、易與類似目標(biāo)相混淆等因素，導(dǎo)致某些特定目標(biāo)難以識別，從而使目標(biāo)行為檢測的準(zhǔn)確率較低；并且，由于建立的目標(biāo)檢測模型時空復(fù)雜度較高，導(dǎo)致目標(biāo)行為檢測的實時性較低。

8、可見，提供一種檢測準(zhǔn)確率高的目標(biāo)行為檢測模型是亟待解決的問題。

技術(shù)實現(xiàn)思路

1、鑒于上述的分析，本發(fā)明旨在提供一種目標(biāo)行為檢測模型的構(gòu)建方法，用以解決現(xiàn)有目標(biāo)行為相關(guān)檢測模型信息融合不充分，不利于特征提取，導(dǎo)致檢測準(zhǔn)確率低的問題。

2、本發(fā)明提供了一種目標(biāo)行為檢測模型的構(gòu)建方法，所述方法包括以下步驟：

3、基于yolov5s模型構(gòu)建初始目標(biāo)行為檢測模型，所述初始目標(biāo)行為檢測模型包括輸入端、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測端；

4、對所述骨干網(wǎng)絡(luò)的cbs模塊進(jìn)行改進(jìn)得到cbh模塊，對所述骨干網(wǎng)絡(luò)的c3_1模塊進(jìn)行改進(jìn)得到c5_1模塊，對所述骨干網(wǎng)絡(luò)的sppf模塊進(jìn)行改進(jìn)得到sppfs模塊；

5、對所述頸部網(wǎng)絡(luò)的c3_2模塊進(jìn)行改進(jìn)得到c5_2模塊；

6、用cbh模塊、c5_1模塊、sppfs模塊分別替換所述骨干網(wǎng)絡(luò)中的cbs模塊、c3_1模塊、sppf模塊，用cbh模塊、c5_2模塊分別替換所述頸部網(wǎng)絡(luò)中的cbs模塊、c3_2模塊，從而構(gòu)建目標(biāo)行為檢測模型；

7、采集目標(biāo)行為圖像并進(jìn)行標(biāo)注構(gòu)建數(shù)據(jù)集，基于所述數(shù)據(jù)集對所述目標(biāo)行為檢測模型進(jìn)行訓(xùn)練得到訓(xùn)練好的目標(biāo)行為檢測模型。

8、進(jìn)一步地，所述cbh模塊包括依次相連的卷積層、批歸一化層、nhswish激活函數(shù)。

9、進(jìn)一步地，所述nhswish激活函數(shù)的表達(dá)式為：

10、

11、其中，x表示批歸一化層的輸出結(jié)果。

12、進(jìn)一步地，所述c5_1模塊包括第一及第二分割層、第一至第五cbh模塊、特征融合層；其中，輸入的特征圖經(jīng)第一分割層被分為兩路后分別經(jīng)過第一cbh模塊、第二cbh模塊輸入至特征融合層，第二cbh模塊的輸出還經(jīng)第二分割層被分為兩路后分別經(jīng)過第三cbh模塊、第四cbh模塊輸入至特征融合層，特征融合層的輸出輸入至第五cbh模塊。

13、進(jìn)一步地，所述c5_2模塊包括分割層、第一至第五cbh模塊、特征融合層；其中，輸入的特征圖經(jīng)分割層被分為兩路后分別經(jīng)過第一cbh模塊、第二cbh模塊輸入至特征融合層，第二cbh模塊的輸出還經(jīng)過第三cbh模塊輸入至特征融合層，第三cbh模塊的輸出還經(jīng)過第四cbh模塊輸入至特征融合層，特征融合層的輸出輸入至第五cbh模塊。

14、進(jìn)一步地，所述sppfs模塊包括分割層、第一及第二cbh模塊、第一特征融合層、最大池化模塊；其中，輸入的特征圖經(jīng)分割層被分為兩路后分別經(jīng)過最大池化模塊、第一cbh模塊輸入至第一特征融合層，第一特征融合層的輸出輸入至第二cbh模塊；所述最大池化模塊包括依次相連的第三cbh模塊、3個最大池化層、第二特征融合層、第四cbh模塊，第三cbh模塊的輸出以及3個最大池化層的輸出還跳躍連接至第二特征融合層。

15、進(jìn)一步地，用cbh模塊替換所述初始目標(biāo)行為檢測模型骨干網(wǎng)絡(luò)以及頸部網(wǎng)絡(luò)中所有的cbs模塊；用c5_1模塊替換所述初始目標(biāo)行為檢測模型骨干網(wǎng)絡(luò)中所有的c3_1模塊；用sppfs模塊替換所述初始目標(biāo)行為檢測模型骨干網(wǎng)絡(luò)中的sppf模塊；用c5_2模塊替換所述初始目標(biāo)行為檢測模型頸部網(wǎng)絡(luò)中所有的c3_2模塊，從而構(gòu)建目標(biāo)行為檢測模型。

16、進(jìn)一步地，在所述目標(biāo)行為檢測模型中：

17、將骨干網(wǎng)絡(luò)中第三層c5_1模塊，即p2單元的輸出輸入至頸部網(wǎng)絡(luò)fpn中第一層cbh模塊；

18、將骨干網(wǎng)絡(luò)中sppfs模塊的輸出輸入至頸部網(wǎng)絡(luò)pan中第六層特征融合層；

19、將頸部網(wǎng)絡(luò)fpn中第二層特征融合層的輸出輸入至頸部網(wǎng)絡(luò)pan中第一層cbh模塊。

20、進(jìn)一步地，對目標(biāo)行為圖像進(jìn)行預(yù)處理、圖像增強以及標(biāo)注構(gòu)建數(shù)據(jù)集包括：

21、剔除目標(biāo)特征點不明顯的目標(biāo)行為圖像，將剩余目標(biāo)行為圖像像素尺寸、格式調(diào)整為一致；

22、對像素尺寸調(diào)整后的目標(biāo)行為圖像進(jìn)行圖像增強處理；

23、對像素尺寸調(diào)整以及圖像增強后的目標(biāo)行為圖像進(jìn)行標(biāo)注構(gòu)建數(shù)據(jù)集，并將所述數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

24、進(jìn)一步地，所述對像素尺寸調(diào)整后的目標(biāo)行為圖像進(jìn)行圖像增強處理包括以下一種或多種方法：

25、隨機選擇所述目標(biāo)行為圖像中的部分內(nèi)容并復(fù)制到其他圖像中，生成新的目標(biāo)行為圖像；

26、對所述目標(biāo)行為圖像進(jìn)行二維線性變換，生成新的目標(biāo)行為圖像；所述二維線性變換包括旋轉(zhuǎn)、平移、縮放、錯切、翻轉(zhuǎn)；

27、在所述目標(biāo)行為圖像中隨機選取兩幅圖像，將所述兩幅圖像按一定比例混合，生成新的目標(biāo)行為圖像；

28、隨機調(diào)整所述目標(biāo)行為圖像的色調(diào)、飽和度、亮度，生成新的目標(biāo)行為圖像；

29、隨機遮擋所述目標(biāo)行為圖像中的部分區(qū)域，生成新的目標(biāo)行為圖像。

30、與現(xiàn)有技術(shù)相比，本發(fā)明至少可實現(xiàn)如下有益效果之一：

31、1、本發(fā)明提出的nhswish激活函數(shù)采用分段函數(shù)簡化表達(dá)式，提高了計算效率，適用于資源有限的嵌入式設(shè)備。

32、2、本發(fā)明提出的c5_1模塊以及c5_2模塊由cbh模塊經(jīng)過多次通道疊加組成，不僅降低了參數(shù)量和運算量，而且增加了不同通道之間的信息融合，為提高模型預(yù)測的精度提供了基礎(chǔ)。

33、3、本發(fā)明提出的sppfs模塊通過增加不同通道之間的信息融合具有更深入的信息融合效果，有利于更全面地提取全局特征信息，為提高模型預(yù)測的精度提供了基礎(chǔ)。

34、4、本發(fā)明將骨干網(wǎng)絡(luò)中p2單元的輸出輸入至頸部網(wǎng)絡(luò)fpn并將fpn中第二層特征融合層的輸出輸入至pan，可以降低小目標(biāo)特征信息在多層卷積計算過程中的衰減，使特征信息在fpn與pan中進(jìn)行特征融合，增強了圖像淺層語義信息的傳播，平衡深層網(wǎng)絡(luò)對于目標(biāo)類別識別與淺層網(wǎng)絡(luò)對于小目標(biāo)的定位進(jìn)行不同尺度圖像特征提取之間的矛盾；將骨干網(wǎng)絡(luò)中sppfs模塊的輸出直接作為信息流輸入至頸部網(wǎng)絡(luò)pan，提高了預(yù)測框位置的精度，為提高模型預(yù)測的精度提供了基礎(chǔ)。

35、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分優(yōu)點可從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過說明書以及附圖中所特別指出的內(nèi)容中來實現(xiàn)和獲得。