[发明专利]基于深度卷积网络的室内人员定位跟踪算法

权利要求书

1.一种基于深度卷积网络的室内人员定位跟踪算法，其特征在于：在进行室内人员定位跟踪算法中，包括通过拍摄视频图像由摄像头实时输入到网络中，ZCA白化进行所述数据预处理用于减少特征的相关性，基于所述卷积、池化、多层稀疏自动编码器构建深层网络特征提取器进行所述平均池化，利用训练集网络参数和所述全连接网络的权重参数对测试图像进行分类，通过所述Softmax分类器进行分类，收集到的特征被所述人脸识别模块准确识别，最后输出人脸识别的信息。

2.根据权利要求1所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于，室内人员定位跟踪算法，具体分为下述步骤：

S1：采集室内条件下的监控视频，生成训练数据和测试数据，初始化深度卷积网络结构；

S2：引入ZCA白化和归一化，对原始视频图像进行预处理；

S3：采用多层稀疏自动编码器构建深度网络特征提取器来提取视频图像的深层特征；

S4：引入Softmax回归模型，对深层网络特征提取器得到的特征向量进行分类；

S5：引入人脸识别模块用于识别面部特征，输出人脸识别的信息。

3.根据权利要求2所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于：所述S1中初始化深度卷积网络结构，其中包括稀疏自动编码器的数量、池化层数量和池化层的降幅。

4.根据权利要求2所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于：所述S2中引入ZCA白化和归一化来预处理实验数据，所述归一化处理采用尺度归一化、灰度归一化和直方图均衡化。

5.根据权利要求2所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于：所述S3中多层稀疏自动编码器包括降噪稀疏自动编码器和稀疏自动编码器，所述是降噪稀疏自动编码器为第一层自动编码器，将噪声人为地添加到训练数据中，深度网络学习去除噪声以获得没有受到噪音干扰的输入，所述稀疏自动编码器为第二层自动编码器，所述稀疏自动编码器为不添加噪声的自动编码器。

6.根据权利要求2所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于：所述S4中Softmax回归模型由监督学习而得到，所述监督学习要求所需的分类类别之间严格相互排斥，从而避免陷入局部最优解的局面，以获得全局最优解。

7.根据权利要求2所述的基于深度卷积网络的室内人员定位跟踪算法，其特征在于：所述S5中引入人脸识别模块用于识别面部特征，具体步骤包括：

S5.1：对目标图像进行预处理以使图像符合训练要求网络；

S5.2：通过对S5.1中的图像进行随机采样获得适量的数据，通过稀疏自编码器无监督预训练获得CNN初始化滤波器的权重；

S5.3：通过卷积获得预定的在S5.2中获得的滤波器和S5.1中训练集图像之间的多个特征图；

S5.4：通过最大化在S5.3中获得的签名来获得广义图像；

S5.5：通过二次卷积，二次采样S5.6中输出的特征图获得所需的特征图；

S5.5：将S5.5中的所有特征图都被转换成一个单独的列向量，被输入到完整连接层来计算识别结果和标记之间的差异，网络参数通过反向传播算法从上到下被调整和更新；

S5.7：利用训练集网络参数和全连接网络的权重参数对测试图像进行分类，并通过Softmax分类器获取图像的识别结果。