[發明專利]基于深度學習的小尺寸行人目標檢測方法

有效

• 申請號: 201810577466.6
• 申請日: 2018-06-07
• 公開（公告）號: CN108960074B
• 公開（公告）日: 2020-09-04
• 發明（設計）人: 韓冰;王云浩;楊錚;仇文亮;張景滔;李凱
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于深度學習的小尺寸行人目標檢測方法，包括：

(1)讀取行人檢測數據庫數據，使用VGG卷積神經網絡提取行人檢測數據庫數據的卷積特征：

1a)VGG卷積神經網絡擁有5組卷積層，每一組內有2～3個卷積層，同時每組尾部連接一個最大池化層用來縮小卷積層尺寸，每一個卷積層使用同樣尺寸的卷積核提取卷積特征；

(2)將VGG卷積神經網絡不同層提取的卷積特征進行疊加融合，得到兩種卷積特征融合層：

2a)將VGG卷積神經網絡中第4組第3個卷積特征層Conv4_3提取的卷積特征進行反卷積處理，再將反卷積處理的結果與VGG卷積神經網絡中第3組第3個卷積特征層Conv3_3提取的卷積特征進行疊加融合，得到第一種卷積特征融合層；

2b)將VGG卷積神經網絡中第3組第3個卷積特征層Conv3_3、第4組第3個卷積特征層Conv4_3和第5組第3個卷積特征層Conv5_3提取的卷積特征進行疊加融合，得到第二種卷積特征融合層；

(3)根據VGG卷積神經網絡中第5組第3個卷積特征層Conv5_3和2a)得到的第一種卷積特征融合層，獲得最終候選區域的回歸邊界和分類概率：

3a)將第一種卷積特征融合層進行全卷積處理，得到第一種候選區域的回歸邊界和分類概率，該候選區域是指在數據中可能有行人目標的數千個區域；

3b)將VGG卷積神經網絡中第5組第3個卷積特征層Conv5_3進行全卷積處理，得到第二種候選區域的回歸邊界和分類概率；

3c)將兩種候選區域的回歸邊界和分類概率融合，得到最終候選區域的回歸邊界和分類概率；

(4)根據最終候選區域的回歸邊界和第二種卷積特征融合層，得到最終檢測結果的回歸邊界和分類概率：

4a)將最終候選區域的回歸邊界通過RoI池化，映射到第二種卷積特征融合層中，得到每個候選區域在第二種卷積特征融合層中對應的卷積特征；

4b)將4a)得到的卷積特征進行全卷積處理，得到最終檢測結果的回歸邊界和分類概率；

(5)根據(4)中最終檢測結果的回歸邊界和分類概率，使用損失函數L對(1)中VGG卷積神經網絡進行訓練，得到最終檢測結果：

5a)設損失函數L包括表示分類概率的損失子函數L_cls和表示回歸邊界的損失子函數L_reg，并通過下式計算分類概率的損失子函數L_cls：

其中，i為候選區域的索引，p_i為每個候選區域是否代表一個行人的檢測概率，為候選區域的真實標簽，如果候選區域中是行人，則為1，否則，為0；

5b)計算回歸邊界的損失子函數L_reg，并根據L_cls和L_reg的值，得到損失函數L；

5c)通過反向傳播迭代更新VGG卷積神經網絡中的權值10萬次，使損失函數L的值逐漸減小，得到精確的最終檢測結果。

2.根據權利要求1所述的方法，其中步驟5b)中計算回歸邊界的損失子函數L_reg，通過下式計算：

其中，i為候選區域的索引，t_i為候選區域的坐標，為行人所在區域的真實坐標。

3.根據權利要求1所述的方法，其中步驟5b)中根據L_cls和L_reg的值，得到損失函數L，通過下式計算：

其中，i為候選區域的索引，p_i為每個候選區域是否代表一個行人的檢測概率，為候選區域的真實標簽，如果候選區域中是行人，則為1，否則為0；t_i為候選區域的坐標，為行人所在區域的真實坐標，N_cls和N_reg為兩個數值不同的歸一化系數，N_cls取值為256，N_reg取值為2400，λ為平衡系數。