[發明專利]基于精簡卷積神經網絡的行人檢測方法在審
| 申請號： | 201810673838.5 | 申請日： | 2018-06-27 |
| 公開（公告）號： | CN109165542A | 公開（公告）日： | 2019-01-08 |
| 發明（設計）人： | 芮挺;鄒軍華;楊成松;王東;解文彬;趙啟林;殷勤;邵發明;田輝;陸鳴;張釜愷;艾勇保 | 申請（專利權）人： | 中國人民解放軍陸軍工程大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京理工大學專利中心 32203 | 代理人： | 吳茂杰 |
| 地址： | 210007 *** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 卷積神經網絡 行人檢測 數據集圖像 灰度圖像 測試集 預處理 訓練集圖像 白化處理 尺寸變換 模型獲取 冗余數據 網絡規模 網絡模型 網絡訓練 現場圖像 歸一化 數據集 剪枝 卷積 驗證 圖像 | ||
1.一種基于精簡卷積神經網絡的行人檢測方法，其特征在于，包括如下步驟：
(10)數據集收集：將數據集圖像分為訓練集圖像與測試集圖像兩個不同的集合；
(20)數據圖像預處理：對訓練數據集圖像和測試數據集圖像進行尺寸變換、對比度歸一化和白化處理，得到低冗余的訓練集灰度圖像和低冗余的測試集灰度圖像；
(30)精簡卷積網絡模型獲取：利用低冗余訓練集灰度圖像，對卷積神經網絡進行訓練，然后通過計算網絡中卷積核的相關性，在保持網絡性能的前提下，對訓練好的卷積神經網絡逐層進行剪枝，最后利用測試集灰度圖像驗證卷積神經網絡的性能，得到精簡深度卷積網絡模型；
(40)行人檢測：利用精簡卷積神經網絡模型，對使用現場圖像進行行人檢測。
2.根據權利要求1所述的行人檢測方法，其特征在于，所述(20)數據圖像預處理步驟包括：
(21)尺寸變換：將訓練數據集圖像和測試數據集圖像變換為像素大小相同的圖像；
(22)對比度歸一化：將尺寸變換后的訓練數據集圖像和測試數據集圖像進行對比度歸一化；
(23)白化處理：將對比度歸一化后的訓練數據集圖像和測試數據集圖像進行白化處理，得到低冗余訓練集灰度圖像和低冗余測試集灰度圖像。
3.根據權利要求2所述的行人檢測方法，其特征在于，所述(22)對比度歸一化步驟具體為，根據下式對尺寸變換后的訓練數據集圖像和測試數據集圖像進行對比度歸一化：
式中，I表示原圖像，表示歸一化后的圖像，μ和σ分別為圖像均值和標準差，C為常數。
4.根據權利要求2所述的行人檢測方法，其特征在于，所述(23)白化處理步驟具體為，根據下式對比度歸一化后的訓練數據集圖像和測試數據集圖像進行白化處理：
式中，xrot,i為訓練數據集xi經過主分量分析變換后的數據，λi為分析變換后的數據對應特征值。
5.根據權利要求1所述的行人檢測方法，其特征在于，所述(30)精簡卷積網絡模型獲取步驟包括：
(31)卷積神經網絡模型訓練：利用已經預處理好的訓練集，對卷積神經網絡進行訓練，并通過測試集對卷積神經網絡的訓練進行監督，得到一個魯棒、高性能的卷積神經網絡模型；
(32)卷積核篩選：提取卷積神經網絡模型中的卷積核，以同一層的卷積核為一組，利用相關性分析對每一組的所有卷積核進行篩選，對于相關性低的兩個卷積核，采用保留兩個卷積核的方法，對于相關性高的兩個卷積核，則采用隨機保留一個卷積核的方法；
(33)卷積神經網絡特征映射提取：將卷積神經網絡作為特征提取器，提取卷積神經網絡中篩選后卷積核所對應的特征映射；
(34)卷積神經網絡和方向梯度直方圖結合：對卷積神經網絡的特征映射進行提取和處理后，利用方向梯度直方圖對特征進行處理，最后進行分類，并根據分類器準確率，確定最優的卷積核保留數量，從而在保持網絡性能的前提下，得到精簡卷積神經網絡模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國人民解放軍陸軍工程大學，未經中國人民解放軍陸軍工程大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810673838.5/1.html，轉載請聲明來源鉆瓜專利網。
