[发明专利]一种基于嵌入式终端的深度学习行人检测方法

说明书

本发明公开了一种基于嵌入式终端的深度学习行人检测方法，包括以下步骤：一、样本准备阶段，获取现有自动驾驶数据集或收集固定、移动摄像头拍摄视频后人工标注；二、训练阶段，使用大量训练图像对构建的卷积神经网络参数进行训练以完成检测特征学习；三、测试阶段，输入大量测试图像至已训练卷积神经网络并获得检测结果；四、移植阶段，进行代码级别优化并移植到嵌入式终端。本发明采用18层卷积神经网络进行行人特征学习，相对于传统机器学习方法具有创新优势；本发明还提出了面向嵌入式终端的优化策略，进一步缩小了网络规模和算法复杂度，适用于ADAS的功能应用。

技术领域

本发明涉及一种行人检测方法，具体是一种基于嵌入式终端的深度学习行人检测方法。

背景技术

近年来，随着深度学习的快速发展，高级辅助驾驶的发展出现了契机。对于高级辅助驾驶来说，最为重要的是目标检测，其中包括行人检测，与此同时，行人监测对于智能机器人和视频监控领域也有重要意义。高级辅助驾驶要取得阶段性的进步，行人检测是不可避免要攻克的难题。目前，传统的行人检测方法主要是人工设计特征，通过提取特征训练分类器，效果令人瞩目，但是人工设计的特征分类器很难适应场景的大幅度变化，不能在新环境下很好的检测行人。

深度学习网络模型的提出，使行人检检测得到更进一步的发展。深度学习模型从图像中自适应学习，是一种端到端的检测方法。通过探究不同的网络深度、卷积核大小以及特征维度对行人检测结果的影响，构建了基于卷积神经网络的行人分类器，这种方法能较好的检测行人，但是却不能对目标行人进行定位。数据集的大范围增加和计算机计算能力的增强，是深度学习在行人检测方面有了坚实的基础。

在有关行人检测的研究领域，大多数都是根据一些特征对行人辨别的研究。如公开号为106991370A的中国发明专利公布说明书公开的基于颜色和深度的行人检索方法。根据图像的RGB信息对特征进行提取，使用区域增长的方法，分割出行人区域。此种方法虽然可以检测出行人的信息，但是对行人的位置信息错误较大，不能应用于高级辅助驾驶领域，高级驾驶辅助系统对位置信息要求十分严格。而且，这种方法对于相互靠的很近的物体，还有很小的群体，检测效果不好。

与此同时，目前公开的技术方案计算量巨大，卷积神经网络的算法规模庞大且只适用于服务器或者计算机集群，无法进行嵌入式设备的端对端实时应用。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种嵌入式终端的深度学习行人检测方法。该方法可以实现交通视频中行人的实时检测，把目标判定和目标识别合二为一，可以达到每秒50帧。

为实现上述目的，本发明提供如下技术方案：

一种基于嵌入式终端的深度学习行人检测方法，用于对交通视频中的行人进行实时检测，其特征在于，包括以下步骤：

一、样本准备阶段，获取现有自动驾驶数据集或收集固定、移动摄像头拍摄视频后人工标注；

二、训练阶段，使用大量训练图像对构建的卷积神经网络参数进行训练以完成检测特征学习；

三、测试阶段，输入大量测试图像至已训练卷积神经网络并获得检测结果；

四、移植阶段，进行代码级别优化并移植到嵌入式终端。

作为本发明进一步的方案：步骤一中现有自动驾驶数据集包括Nicta和CVC数据集，人工标注的图片标记格式包含标签和2d矩形框。

作为本发明进一步的方案：步骤二训练阶段按以下步骤进行：