[發明專利]一種融合圖像預處理與深度學習目標檢測的人頭檢測方法

在審

• 申請號: 202010116670.5
• 申請日: 2020-02-25
• 公開（公告）號: CN111339934A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 李好洋;黃家名;秦瑜恒;周小芹
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06N3/08;G06N3/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 張倩倩

1.一種人頭檢測方法，其特征是，包括：

實時獲取監控圖像數據；

對獲取到的監控圖像數據進行預處理；

將預處理后的監控圖像數據輸入至預先訓練的神經網絡，得到監控圖像數據中的待選區域anchor及其對應的偏移值與置信度；所述神經網絡為深度學習神經網絡，其訓練樣本為根據圖像數據中待選區域anchor與人頭標定區域ground-truth的交并比選擇出anchor正負樣本，且正樣本具有偏移標簽和置信度標簽，負樣本具有置信度標簽的圖像數據集；

根據神經網絡輸出的anchor的置信度，選擇存在目標的anchor；

根據神經網絡輸出的anchor的偏移值，計算對應相應目標的預測邊界框的位置和大小；

將預測邊界框按照其位置和大小在監控圖像數據中畫出，即得到結果圖像；

輸出結果圖像以及圖像中檢測到的人頭數量，所述人頭數量即為圖像中預測邊界框的數量。

2.根據權利要求1所述的方法，其特征是，神經網絡的訓練步驟包括：

采集多個歷史監控圖像，組成圖像數據集；

對圖像數據集中的各監控圖像進行標注，標注出圖像中所有人頭的位置信息作為人頭標定區域ground-truth；

確定神經網絡所使用的anchor的大小；

對于各監控圖像，分別選擇用于訓練的anchor正負樣本；

對于各選出的正負樣本，分別生成訓練所需的標簽，正樣本標簽包括偏移值標簽和置信度標簽，負樣本標簽包括置信度標簽；

搭建神經網絡模型，配置神經網絡模型參數，使用Adam優化器，設計損失函數；

將監控圖像數據輸入神經網絡，利用圖像對應的偏移值標簽和置信度標簽計算損失函數，使用優化器對損失函數的參數進行反向傳播，優化模型參數。

3.根據權利要求1或2所述的方法，其特征是，神經網絡的神經網絡層采用卷積層，池化層由步長為2的卷積核代替，利用上采樣和融合機制，最終生成兩個大小不同的特征圖用于目標檢測。

4.根據權利要求3所述的方法，其特征是，anchor的大小計算公式為：

anchor_size＝layer_stride*aspect_ratio*anchor_scale

其中，layer_stride為下采樣的倍數，aspect_ratio為anchor的寬高比，anchor_scale為anchor在特征圖上的尺度scale。

5.根據權利要求4所述的方法，其特征是，對于40*30的大特征圖，下采樣倍數layer_stride為16，aspect_ratio設為1，anchor_scale設置為2和4；對于10*8的小特征圖，layer_stride為64，aspect_ratio為1，anchor_scale為2和4。

6.根據權利要求2所述的方法，其特征是，所述選擇用于訓練的anchor正負樣本為：

將ground-truth與anchor的交并比大于等于0.7的anchor，或ground-truth與anchor具有最大交并比的anchor標記為正樣本；

將ground-truth與anchor的交并比小于等0.3的anchor標記為負樣本；

正負樣本數量的比例為1:1。