[發明專利]入侵檢測模型建立方法、裝置及數據處理設備

有效

• 申請號: 201811261791.8
• 申請日: 2018-10-26
• 公開（公告）號: CN109460787B
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 郭保青;余祖俊;寧濱;朱力強;王堯
• 申請（專利權）人: 北京交通大學;中國鐵路總公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 吳迪

1.一種入侵檢測模型建立方法，其特征在于，所述方法包括：

獲取從鐵路沿線采集的多個訓練圖像，所述多個訓練圖像包括圖像標簽為有入侵行人的訓練圖像及圖像標簽為沒有入侵行人的訓練圖像；

分別對所述多個訓練圖像進行HOG特征提取，獲得各所述訓練圖像的第一圖像特征；

將所述多個訓練圖像和所述圖像標簽輸入改進AlexNet網絡結構的卷積神經網絡進行訓練；針對每個所述訓練圖像，通過所述改進AlexNet網絡結構的卷積神經網絡提取該訓練圖像的第二圖像特征，并根據該訓練圖像的第一圖像特征及第二圖像特征的組合進行分類訓練，得到訓練完成的卷積神經網絡模型；

其中，所述改進AlexNet網絡結構的卷積神經網絡包括：

第一卷積層，由32個大小為7*7的卷積核構成，該第一卷積層包括卷積部分、BN層和ReLu激勵函數；

第二卷積層，由32個大小為7*7，擴充邊緣為2的卷積核構成，該第二卷積層包括卷積部分、標準化層、ReLu激勵函數和降采樣層，該第二卷積層的降采樣層中卷積核大小為3*3，步長為2；

第三卷積層，由64個大小為5*5，擴充邊緣為2的卷積核構成，該第三卷積層包括卷積部分、標準化層、ReLu激勵函數和降采樣層，該第三卷積層的降采樣層中卷積核大小為3*3，步長為2；

第四卷積層，由192個大小為3*3，擴充邊緣為1的卷積核構成，該第四卷積層包括卷積部分、標準化層和ReLu激勵函數，該第四卷積層無降采樣層；

第五卷積層，由384個大小為3*3，擴充邊緣為1的卷積核構成，該第五卷積層包括卷積部分、標準化層和ReLu激勵函數；

第六卷積層，由256個大小為3*3，擴充邊緣為1的卷積核構成，該第六卷積層無標準化層，降采樣層中卷積核大小為3*3，步長為2；

第一全連接層，神經元數目為4096，包括全連接層、標準化層及ReLu激勵函數，該第一全連接層有4096個6*14*256尺寸的濾波器對輸入數據進行卷積運算，通過4096個神經元輸出運算結果；對4096個運算結果進行標準化處理，然后通過ReLu激活函數生成的4096個值為該第一全連接層的輸出結果；

第二全連接層，神經元數目為4096，包括全連接層及ReLu激勵函數，沒有標準化層，該第二全連接層有4096個濾波器對輸入數據進行卷積運算，通過4096個神經元輸出圖像的所述第二圖像特征；并將第二圖像特征與第一圖像特征進行拼接，得到7876維的組合特征；

第三全連接層，用于將7876維的所述組合特征作為輸入，轉化為4096維的特征；

第四全連接層，所述第四全連接層為分類層，用于根據圖像的第一圖像特征和第二圖像特征的特征組合進行分類識別獲得對應的圖像標簽。

2.根據權利要求1所述的方法，其特征在于，在獲取訓練樣本集之后，所述方法還包括：

將所述多個訓練圖像調整為相同尺寸。

3.根據權利要求2所述的方法，其特征在于，所述分別對所述多個訓練圖像進行HOG特征提取，獲得各所述訓練圖像的第一圖像特征的步驟，包括：

對所述訓練圖像進行顏色空間標準化；

計算所述訓練圖像各像素點的梯度幅值和梯度方向；

按照預設窗口尺寸及預設滑動步長從所述訓練圖像提取為多個圖像塊；

根據所述像素點的梯度幅值和梯度方向，計算每個所述圖像塊內每個預設大小的圖像細胞內的HOG特征，并根據所述圖像細胞的HOG特征組合得到每個像素塊的HOG特征；

將多個圖像塊的HOG特征組合得到所述訓練圖像的第一圖像特征。

4.根據權利要求2所述的方法，其特征在于，所述將所述多個訓練圖像調整為相同尺寸的步驟，包括：

將所述多個訓練圖像通過拉伸或壓縮的方式調整為預設尺寸。