[發明專利]基于深度卷積網絡的室內人員定位跟蹤算法

在審

• 申請號: 201811092330.2
• 申請日: 2018-09-19
• 公開（公告）號: CN109409219A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 武明虎;岳寒檜;王娟;徐偲達;李幟;曾春艷
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科家知識產權代理事務所(普通合伙) 11427
• 代理人: 陳娟

1.一種基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：在進行室內人員定位跟蹤算法中，包括通過拍攝視頻圖像由攝像頭實時輸入到網絡中，ZCA白化進行所述數據預處理用于減少特征的相關性，基于所述卷積、池化、多層稀疏自動編碼器構建深層網絡特征提取器進行所述平均池化，利用訓練集網絡參數和所述全連接網絡的權重參數對測試圖像進行分類，通過所述Softmax分類器進行分類，收集到的特征被所述人臉識別模塊準確識別，最后輸出人臉識別的信息。

2.根據權利要求1所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于，室內人員定位跟蹤算法，具體分為下述步驟：

S1：采集室內條件下的監控視頻，生成訓練數據和測試數據，初始化深度卷積網絡結構；

S2：引入ZCA白化和歸一化，對原始視頻圖像進行預處理；

S3：采用多層稀疏自動編碼器構建深度網絡特征提取器來提取視頻圖像的深層特征；

S4：引入Softmax回歸模型，對深層網絡特征提取器得到的特征向量進行分類；

S5：引入人臉識別模塊用于識別面部特征，輸出人臉識別的信息。

3.根據權利要求2所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：所述S1中初始化深度卷積網絡結構，其中包括稀疏自動編碼器的數量、池化層數量和池化層的降幅。

4.根據權利要求2所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：所述S2中引入ZCA白化和歸一化來預處理實驗數據，所述歸一化處理采用尺度歸一化、灰度歸一化和直方圖均衡化。

5.根據權利要求2所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：所述S3中多層稀疏自動編碼器包括降噪稀疏自動編碼器和稀疏自動編碼器，所述是降噪稀疏自動編碼器為第一層自動編碼器，將噪聲人為地添加到訓練數據中，深度網絡學習去除噪聲以獲得沒有受到噪音干擾的輸入，所述稀疏自動編碼器為第二層自動編碼器，所述稀疏自動編碼器為不添加噪聲的自動編碼器。

6.根據權利要求2所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：所述S4中Softmax回歸模型由監督學習而得到，所述監督學習要求所需的分類類別之間嚴格相互排斥，從而避免陷入局部最優解的局面，以獲得全局最優解。

7.根據權利要求2所述的基于深度卷積網絡的室內人員定位跟蹤算法，其特征在于：所述S5中引入人臉識別模塊用于識別面部特征，具體步驟包括：

S5.1：對目標圖像進行預處理以使圖像符合訓練要求網絡；

S5.2：通過對S5.1中的圖像進行隨機采樣獲得適量的數據，通過稀疏自編碼器無監督預訓練獲得CNN初始化濾波器的權重；

S5.3：通過卷積獲得預定的在S5.2中獲得的濾波器和S5.1中訓練集圖像之間的多個特征圖；

S5.4：通過最大化在S5.3中獲得的簽名來獲得廣義圖像；

S5.5：通過二次卷積，二次采樣S5.6中輸出的特征圖獲得所需的特征圖；

S5.5：將S5.5中的所有特征圖都被轉換成一個單獨的列向量，被輸入到完整連接層來計算識別結果和標記之間的差異，網絡參數通過反向傳播算法從上到下被調整和更新；

S5.7：利用訓練集網絡參數和全連接網絡的權重參數對測試圖像進行分類，并通過Softmax分類器獲取圖像的識別結果。