[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

本發明公開了一種基于深度學習的小尺寸行人目標檢測方法。主要解決現有技術對小尺寸行人目標檢測效果差的問題。其實現方案是：讀取行人檢測數據庫數據，使用VGG網絡提取特征；將VGG網絡不同層特征進行疊加融合，得到兩種特征融合層；根據VGG網絡中特征層Conv5_3和第一種特征融合層，獲得候選區域的回歸邊界和分類概率；根據候選區域的回歸邊界和第二種特征融合層，得到檢測結果的回歸邊界和分類概率；根據檢測結果的回歸邊界和分類概率，使用損失函數對VGG網絡進行訓練，得到最終的精確檢測結果。本發明能實現對小尺寸目標精確檢測，可用于無人駕駛或輔助駕駛。

技術領域

本發明屬于圖像處理技術領域，特別涉及一種70個像素下的小尺寸行人目標檢測方法，可用于無人駕駛或輔助駕駛。

背景技術

行人檢測是使用計算機視覺等方法判斷圖像中是否存在行人并給出在圖像中的精準位置。因為其在車輛輔助駕駛和自動駕駛中的重要應用價值，行人檢測已經成為當前計算機視覺和智能車輛領域最為活躍的研究課題之一。行人檢測可以及時檢測出車輛前方的行人以針對實際狀況采取相應措施。在自動駕駛中，行人檢測結合其它技術，可以在保障交通安全的同時將人從駕駛汽車的工作中解脫出來。國內外已經有很多公司開始做無人駕駛汽車的相關工作，車輛輔助駕駛技術的需求也越來越濃烈，已成為了學術界工業界共同關注的熱點。

目前一些汽車生產廠商、大學和研究機構相繼開始了行人檢測技術的研究。比如，歐洲戴姆勒、德國大眾等就發起了旨在研究行人保護方案的PROTECTOR項目,并且已經取得了初步的成效。2004-2005年的SAVE-U項目實現的目標是減少行人和車輛碰撞造成的傷亡數量和事故等級,并在危險狀況下駕駛員警告和車輛自動減速試驗車輛。作為無人駕駛的先驅技術之一，行人檢測系統在近幾年也已成為研發熱點，它通常整合到碰撞預防系統當中，利用雷達攝像頭和感應器來檢測行人，并及時減速剎車從而減少事故傷害。沃爾沃、豐田等車企已率先推出先進的行人檢測系統，而福特也推出了先進的行人檢測系統，能夠識別路上的行人并進行動態分析，預測他們是否會闖入駕駛路線中。除了傳統汽車公司外，很多互聯網公司也在研發行人檢測系統，以期實現智能汽車。谷歌最新的行人檢測系統只靠攝像機影像來掌握行人動向，但是優化了速度問題。行人檢測在智能交通等領域越來越受到重視。

行人檢測方法主要分為兩大類，基于手工特征提取和基于深度學習，其中：

基于手工提取特征的方法有HOG，HOG-LBP，Haar等，主要利用從數據中提取出的相關特征訓練SVM和Adaboost等分類器，其中目前最主流的是HOG+SVM，許多文獻在HOG+SVM的基礎上進行了優化。然而手工提取特征又稱為特征工程，有著許多缺點。HOG特征對于遮擋問題效果不好，SIFT特征要求檢測目標包含足夠多的紋理信息，Haar特征有著計算量大、訓練時間很長而且對復雜的目標的描述效果不夠好的缺點。

基于深度學習方法，隨著近幾年深度學習理論的快速發展，取得了很大的進步，特別是檢測精度比原有算法有較大的提高。大量文獻表明深度學習自我學習的特征可以更好地描述檢測目標的特性，避免了復雜的特征提取和數據建模過程。主流的是卷積神經網絡CNN，最早用于Mnist手寫數字字符數據集上?，F在主流的目標檢測算法是R-CNN系列，最早的R-CNN算法使用了Selective Search方法從一張圖像生成約2000-3000個候選區域，然后通過卷積神經網絡在候選區域提取特征并進行判斷，之后出現的Fast R-CNN、Faster-RCNN算法都是R-CNN算法的提高。行人檢測領域，Sermanet等人提出了Convnet模型在行人檢測數據庫獲得了很好的效果，Tian等人通過考慮行人和場景的語義屬性學習更具有表達能力的特征，Cai等人提出復雜性的級聯訓練，成功結合了手工提取的特征和卷積神經網絡得到的特征，Zhang等人提出了一種使用RPN得到候選區域，然后通過boosted forests分類的行人檢測算法。