[发明专利]基于深度学习的快速行人检测方法

说明书

本发明的基于深度学习的快速行人检测方法，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：利用行人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。本发明的方法能够降低光照、复杂背景等对行人检测的影响，快速检测行人，自动对监控视频进行分析，及时地发现异常事件。

技术领域

本发明涉及图像处理、视频监控以及安防应用于行人检测的技术领域，具体为一种基于深度学习的快速行人检测方法。

背景技术

行人检测就是计算机对于给定的图像和视频，判断出其中是否有行人，如果有还需要给出行人的具体位置。行人检测是行人跟踪，行为分析，步态分析，行人身份识别等研究的基础和前提，一个好的行人检测算法能够为后者提供有力的支持和保障。现实生活中，行人检测有广泛的应用场景。近年来，家门口、办公室、商场、银行等众多的私人和公共场所都安装了监控摄像头，但是监控的工作多数都是依靠人工监控完成的。然而人工监控的工作不但需要耗费大量的人力，而且由于这个工作很容易让观测者疲惫，使得观察者可能漏掉一些重要的信息，从而带来巨大的经济损失。利用行人检测技术，我们可以实现让计算机自动检测出监控摄像头下的每一个行人。以此为基础还可以实现对指定行人轨迹进行跟踪，对行人身份进行识别以及对行人行为进行分析等，如果发现异常状况及时自动报警。这样可以大大减少人力，更能提高监控准确度防患于未然，达到我们进行视频监控的初衷。

人体兼具柔性与刚性的特征，使得行人检测易受服装、光照、遮挡、行人姿势、尺度、拍摄角度等复杂因素的制约，并不稳健。

目前常用的行人检测方法包括：背景差法、帧差法、光流法、模板匹配法和基于机器学习的方法等。前述四种方法都是基于图像处理技术的人体检测方法，然而这些方法在面对人体衣着、体形、人体姿势、人体遮挡、光照问题以及复杂背景等方面问题的问题时，所体现出来的准确率和鲁棒性很差。基于机器学习的方法从训练样本学习人体的规律，得到模型，然后在测试集上进行测试。如果能够合理地选择数据和特征，加以合理的算法来进行训练，可以较好地克服诸如人体多样性、光照、背景多样性等问题，已成为现今行人检测的一种主流算法。

对于安防行业而言，监控视频的数量越来越多，给深度学习的发展提供了大量的数据，但是对于深度学习来说，计算能力是一个主要限制问题，如何能够节省检测的时间非常重要的。

发明内容

本发明为了弥补现有技术的不足，提供了一种结构简单、使用方便的基于深度学习的快速行人检测方法，能够降低光照、复杂背景等对行人检测的影响，快速检测行人，自动对监控视频进行分析，及时地发现异常事件，提高行人检测的效率与鲁棒性。

本发明是通过如下技术方案实现的：

本发明的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。