[發明專利]一種基于深度學習的行人檢測方法

在審

• 申請號: 201810082310.0
• 申請日: 2018-01-29
• 公開（公告）號: CN108460336A
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 孫煒程;朱松豪;荊曉遠;代心靈
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽;杜春秋

本發明涉及一種基于深度學習的行人檢測方法，該方法包括以下步驟：首先將待檢測的視頻圖像輸入提取網絡生成特征圖，然后，將提取網絡生成的特征圖輸入區域提議網絡，利用區域提議方法檢測最有可能是行人的區域，生成行人候選者以及行人候選者對應的分數，最后利用訓練好的決策樹算法確定行人候選者是否為真正的行人。本發明的優點是計算簡單、快速，能夠顯著提高行人檢測的準確率。

技術領域

本發明涉及一種行人檢測方法，尤其是一種基于深度學習的行人檢測方法，屬于圖像處理技術領域。

背景技術

據了解，行人檢測是計算機視覺領域的一個重要研究課題。行人檢測的目的是為了準確識別和定位行人在圖像或視頻序列中的位置。目前，行人檢測在車輛輔助駕駛系統、智能視頻監控和智能交通中得到了廣泛的應用。

傳統的行人檢測方法也被稱為手工設計的模型，是基于底層特征來表示行人的特征，例如HOG特征、Haar特征、LBP特征、LUV特征、ICF特征、Squares ChnFtrs特征以及LDCF特征等。目前多利用支持向量機或決策樹作為分類器來解決行人檢測的問題。然而，傳統的行人檢測方法需要人工設計的特征較為復雜，需要大量的專業知識并且在魯棒性方面存在一定的局限性。

隨著深度學習的發展，基于深度學習的行人檢測方法在不考慮計算成本的情況下取得了巨大的成功。一般來說，基于深度學習的行人檢測方法可以分為兩類：一類是基于區域建議的行人檢測方法，例如R-CNN方法、SPP-Net方法、Faster R-CNN方法以及R-FCN方法；另一類是不基于區域建議的行人檢測方法，例如YOLO方法以及SSD方法。雖然不基于區域建議的行人檢測方法在計算速度上有一些優勢，但是這種方法不能獲得很高的精度。因此，對于大多數基于深度學習的行人檢測方法來說，往往采用區域建議來生成行人候選者的策略。

另外，隨著深度學習在行人檢測領域的廣泛應用，卷積神經網絡被廣泛地應用于行人檢測，例如AlexNet網絡、VGG網絡、ZF網絡、Fast-RCNN網絡、Faster-RCNN網絡、R-CNN網絡、MS-CNN網絡以及R-FCN網絡。在R-CNN、Fast-RCNN以及Faster R-CNN這一系列的方法中，區域提議策略被用來提高目標檢測準確率以及計算速度。對于MS-CNN方法，一個多尺度的區域提議網絡被用來提高檢測小目標的準確性。對于R-FCN方法，使用全卷積網絡和區域提議網絡相結合來進行行人檢測。與Faster-RCNN方法相比，R-FCN方法大大提高了計算速度并且輕微提高了行人檢測的準確率。雖然基于深度學習的目標檢測技術發展十分迅速，但無論是在準確率還是速度方面，行人檢測的方法仍有很大的改進空間。

發明內容

本發明的目的在于：針對現有技術存在的缺陷，提出一種新的基于學習深度的行人檢測方法，用于提高行人檢測的準確性和快速性。

為了達到以上目的，本發明提供了一種基于深度學習的行人檢測方法，包括以下步驟：

第一步、將待檢測的視頻圖像輸入提取網絡生成特征圖；

第二步、將提取網絡生成的特征圖輸入區域提議網絡，再利用區域提議方法檢測最有可能是行人的區域，生成行人候選者以及行人候選者對應的分數；

第三步、利用訓練好的決策樹算法確定行人候選者是否為真正的行人。

本發明首先將視頻圖像輸入到設計好的行人檢測模型中，然后利用基于深度學習的PVANet網絡生成特征圖，接著利用區域提議網絡生成行人候選者和對應的分數，最后利用訓練好的決策樹算法對生成的行人候選者進行分類以找出真正的行人。

優選地，所述提取網絡采用PVANet網絡，所述PVANet網絡有十四層，其中前三層為卷積層，中間為兩組起始層，每組起始層包含四個結構相同的起始層，最后三層為全連接層；所述全連接層的輸出為區域提議網絡以及決策樹分類器的輸入。