[發(fā)明專利]基于精簡卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法

在審

• 申請?zhí)枺?/td>: 201810673838.5
• 申請日: 2018-06-27
• 公開（公告）號: CN109165542A
• 公開（公告）日: 2019-01-08
• 發(fā)明（設(shè)計）人: 芮挺;鄒軍華;楊成松;王東;解文彬;趙啟林;殷勤;邵發(fā)明;田輝;陸鳴;張釜愷;艾勇保
• 申請（專利權(quán)）人: 中國人民解放軍陸軍工程大學(xué)
• 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(xué)專利中心 32203
• 代理人: 吳茂杰

本發(fā)明公開一種基于精簡卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法，包括如下步驟：(10)數(shù)據(jù)集收集：將數(shù)據(jù)集圖像分為訓(xùn)練集圖像與測試集圖像；(20)數(shù)據(jù)集圖像預(yù)處理：對數(shù)據(jù)集圖像進行尺寸變換、對比度歸一化和白化處理，得到低冗余數(shù)據(jù)灰度圖像；(30)精簡卷積神經(jīng)網(wǎng)絡(luò)模型獲取：對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，對訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)逐層進行剪枝，利用測試集灰度圖像驗證卷積神經(jīng)網(wǎng)絡(luò)的性能，得到精簡深度卷積網(wǎng)絡(luò)模型；(40)行人檢測：利用精簡卷積神經(jīng)網(wǎng)絡(luò)模型，對使用現(xiàn)場圖像進行行人檢測。本發(fā)明的基于精簡卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法，在保持網(wǎng)絡(luò)訓(xùn)練精度的同時，對卷積神經(jīng)網(wǎng)絡(luò)進行精簡，在減少網(wǎng)絡(luò)規(guī)模的同時，加快行人檢測的速度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，特別是一種內(nèi)存占用小、運行速度快的基于深度卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法。

背景技術(shù)

在計算機視覺領(lǐng)域，行人檢測是一項非常重要的研究內(nèi)容，被廣泛應(yīng)用在汽車自主駕駛，公共場所人流監(jiān)控等場景。

傳統(tǒng)的行人檢測技術(shù)是通過人工設(shè)計特征，如HOG-特征，訓(xùn)練分類器來進行行人檢測。面對檢測對象的場景變化和數(shù)量劇增，人工設(shè)計特征的代價太大，無法滿足實時性要求和魯棒性。

2006年以來，深度學(xué)習(xí)迅速發(fā)展，在圖像分類、模式識別和視頻監(jiān)控等領(lǐng)域得到廣泛應(yīng)用。深度卷積神經(jīng)網(wǎng)絡(luò)，作為深度學(xué)習(xí)的一種，在行人檢測中取得重大突破，識別率超過傳統(tǒng)技術(shù)。深度卷積神經(jīng)網(wǎng)絡(luò)由于其結(jié)構(gòu)的特殊性，能夠自動提取特征并進行識別，免去傳統(tǒng)技術(shù)中復(fù)雜的人工特征設(shè)計，因而傳統(tǒng)行人檢測技術(shù)被逐漸替代。

目前用于行人檢測的深度卷積神經(jīng)網(wǎng)絡(luò)，主要有兩個方面改進：深度和寬度。通過增加網(wǎng)絡(luò)的深度，能夠提取出更加抽象的特征，進而得到更好的行人特征表示，如中國發(fā)明專利申請(申請?zhí)枺?01610315688.1，公開日：2016.10.12)“一種端到端的卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法”采用18層的網(wǎng)絡(luò)來構(gòu)建端到端的行人檢測框架，通過遷移VGG-16預(yù)訓(xùn)練參數(shù)，使得網(wǎng)絡(luò)得到較好的檢測效果。增加網(wǎng)絡(luò)的寬度，能夠使得每一層的特征表示更加豐富，從而使得網(wǎng)絡(luò)具有更好的非線性表示能力。中國發(fā)明專利申請(申請?zhí)枺?01610954990.1，公開日：2017.4.19)“基于深度網(wǎng)絡(luò)的多尺度行人檢測方法”采用三列并聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，將多尺度網(wǎng)絡(luò)進行合并，增加網(wǎng)絡(luò)深度的同時，充分挖掘圖像中不同尺寸行人的特征。

然而，隨著卷積神經(jīng)網(wǎng)絡(luò)深度和寬度的增加，網(wǎng)絡(luò)參數(shù)成指數(shù)倍增長，網(wǎng)絡(luò)訓(xùn)練的復(fù)雜度急劇增加，網(wǎng)絡(luò)規(guī)模和復(fù)雜度都在不斷變大，進而使得網(wǎng)絡(luò)參數(shù)越來越多并越來越大，這些最終導(dǎo)致運算所需要的硬件資源(內(nèi)存、GPU)越來越高，網(wǎng)絡(luò)運行占用的運算資源增大，所需的運算時間增加，這不利于卷積神經(jīng)網(wǎng)絡(luò)在運算條件受限的情況下進行應(yīng)用。例如對于車載系統(tǒng)實現(xiàn)行人檢測時，其儲存能力和運算能力有限，降低卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，提高卷積神經(jīng)網(wǎng)絡(luò)的運算效能，成為需要研究的重要問題。

總之，現(xiàn)有技術(shù)存在的問題是：基于卷積神經(jīng)網(wǎng)絡(luò)行人檢測時，從卷積神經(jīng)網(wǎng)絡(luò)中提取到的特征映射可能存在著冗余部分，這些冗余部分不但不能提高網(wǎng)絡(luò)性能，還可能降低行人檢測的正確率。基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測運算速度慢，并消耗大量的存儲與計算資源，影響行人檢測系統(tǒng)的整體效率，使得行人檢測難以達到實時監(jiān)測的現(xiàn)實需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于精簡卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法，通過基于卷積核相關(guān)性分析的卷積神經(jīng)網(wǎng)絡(luò)精簡方法，在保持網(wǎng)絡(luò)可訓(xùn)練性的同時，獲得更好的泛化能力，從而提高行人檢測的正確率。

實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

(10)數(shù)據(jù)集收集：將數(shù)據(jù)集圖像分為訓(xùn)練集圖像與測試集圖像；

(20)數(shù)據(jù)集圖像預(yù)處理：對數(shù)據(jù)集圖像進行尺寸變換、對比度歸一化和白化處理，得到低冗余數(shù)據(jù)灰度圖像；