[发明专利]基于深度学习的快速行人检测方法

权利要求书

1.一种基于深度学习的快速行人检测方法，其特征在于：包括以下步骤：

（1）构建带有标注信息的行人数据集：

采集不同场景下的监控视频图像，构建行人检测标准数据集，并对数据集进行扩充，包含图像及其标注信息；

（2）利用构建的行人数据集对网络模型预训练，生成适用于行人检测的模型：

利用步骤一中准备好的数据集对预训练模型进行微调，训练为适用于所构建数据集的行人检测模型；

（3）对训练好的模型进行多通道视频快速行人检测的测试：

基于多通道视频拼接方法，对待测试图像进行预处理，输入训练好的模型进行检测，得到目标的位置信息。

2.根据权利要求1所述的基于深度学习的快速行人检测方法，其特征在于：

步骤（1）中：构建带有标注信息的标准行人数据集，主要包括以下三部分：

1-1、采集不同场景下的行人画面图像；包含多种行人姿态、多种场景、多种光照影响以及一天中不同时段的视频图像，使得构造的数据集能够有效覆盖场景的多样性；

1-2、对采集到的数据集进行有效的扩充，通过图像镜像、角度旋转、尺寸缩放、添加随机噪声的方法；

1-3、对扩充后的数据集图像生成对应的的标注及标签信息，标注信息即样本中目标的位置信息，标签信息即样本中目标所属类别，类别为人标注为1或非人标注为-1。

3.根据权利要求1所述的基于深度学习的快速行人检测方法，其特征在于：

步骤（2）中：利用构建的行人数据集训练基于Faster R-CNN的模型：

通过上述构建的标注数据集，采用Faster R-CNN网络结构对预训练模型进行微调，训练适用于行人检测的模型；Faster R-CNN网络包括用于产生候选区域的RPN卷积神经网络和用于目标判别的fast R-CNN卷积神经网络构成。

4.根据权利要求1所述的基于深度学习的快速行人检测方法，其特征在于：

步骤（3）中：对训练好的模型进行多通道视频快速行人检测的测试，主要包含以下三部分：

3-1、采用多通道视频帧拼接方法生成待测试图像

通过将多通道的监控视频图像进行拼接，组合成一幅大尺寸的图像，然后将拼接后的图像输入到训练好的模型中进行检测，相当于多个通道的视频帧同时进行检测，能够有效节省待检测视频的检测时间；

3-2、 利用视频帧预处理方法减少周围环境的影响

在检测过程中，图像预处理的主要目的是消除图像中的冗余信息，滤除干扰、噪声，增强有关信息的可检测性，从而提高后续特征提取和检测的可靠性；

可用的图像处理方法主要包括以下方法：直方图均衡化、归一化、Gamma校正；

3-3、将经过预处理过的拼接帧输入到训练好的模型中进行行人检测，输出行人位置信息及对应的置信度。

5.根据权利要求3所述的基于深度学习的快速行人检测方法，其特征在于：

步骤（2）中：

利用已有的ImageNet模型在构建的数据集上进行微调，得到适用于行人检测的新的分类模型，主要步骤如下：

2-1采用ImageNet模型的ZF-Net网络进行预训练，首先对该网络模型的全连接层进行修改，输出种类为两类，即行人及非行人；

2-2在构建的样本集上预训练模型，Faster R-CNN包括用于提取候选区域的微调RPN网络以及用于检测目标的Fast R-CNN网络；RPN网络对输入的包含行人的图像进行处理，生成行人粗选区域；而Fast R-CNN网络对这些行人粗选区域进行进一步的判别，输出行人最终的位置信息；RPN网络和Fast RCNN网络能够共享特征，减少了提取候选区域的时间，缩短了目标检测的时间；

使用预训练的方法主要是为了得到一个良好的网络初始化值，以避免后续的训练中陷入局部最小值，同时还能够加快网络的收敛速度；后续使用构建的样本集对网络进行微调，以确保参数更加适合当前的样本集，提高在数据集上的检测率。