[发明专利]基于多尺度的卷积特征的行人检测方法

权利要求书

1.基于多尺度的卷积特征的行人检测方法，其特征在于，包括：

获取待识别图像，并将其转换为设定尺寸后存储为转换图像；

将转换图像输入VGG16网络模型进行特征提取，并将最后一个下采样层的输出存储为第一特征图，每个下采样层前一个卷积层的输出存储为第二特征图；

将第一特征图输入区域推荐网络中，得到前景的推荐区域；

截取转换图像与推荐区域对应的区域作为子图像，并将子图像输入VGG16网络模型得到每个子图像的第三特征图；

分别截取第一特征图和所有第二特征图上与每张第三特征图相对应区域的特征图作为第四特征图；

将每张第三特征图对应的所有第四特征图拼接后输入识别网络中进行识别，得到推荐区域是行人的概率。

2.根据权利要求1所述的基于多尺度的卷积特征的行人检测方法，其特征在于，所述VGG16网络模型由重复的卷积层和下采样层组成，其中，卷积层的计算和下采样层的计算分别为：

其中，为l层的第j张特征图；为第l层的卷积核；为第l层的平移参数。

3.根据权利要求1所述的基于多尺度的卷积特征的行人检测方法，其特征在于，将第一特征图输入区域推荐网络中，得到前景的推荐区域进一步包括：

根据预设尺寸将转换图像分割成不重叠的子区域，并以每个子区域内任一点为矩形区块的中心，设置k种长宽不同的矩形区块；

将第一特征图输入区域推荐网络中两个独立的卷积层reg和卷积层cls中；

采用卷积层reg预测得到每个矩形区块的微调参数，采用卷积层cls输出每个矩形区块的特征图；

根据每个矩形区块对应的微调参数，对相应矩形区块的位置进行微调：

x＝x_a+w_a*t_x,y＝y_a+h_a*t_y,

其中，x_a、y_a、h_a和w_a分别为同一个矩形区块的中心横坐标、中心纵坐标，长和宽；t_x、t_y、t_w分别为同一矩形区块中心横坐标、纵坐标的微调参数，宽的微调参数；

采用softmax函数对每个矩形区块的特征图进行处理，得到矩形区块是行人的预判概率：

其中，o为卷积层cls输出的特征图；out_cls为卷积层cls最后输出，即预判概率；xⁱ，x^j均为矩阵最后一维中的一个元素；为对矩阵最后一维中的每个元素进行e的指数运算后累加求和，e为自然对数；f₁(xⁱ)为softmax函数；

根据计算得到的所有矩形区块是行人的预判概率，删除预判概率低于设定阈值的矩形区块，并将余下的矩形区块作为推荐区域。

4.根据权利要求3所述的基于多尺度的卷积特征的行人检测方法，其特征在于，识别网络中对拼接后的特征图进行识别的方法为：

计算推荐区域是行人的概率：

out₁＝f₂(WF₆+b)，

out₂＝f₃(Wout₁+b)，

其中，W为全连接层的变换矩阵；F₆为同一区域对应的所有特征图拼接在一起后变成的一维向量；b为平移参数；out₁为前一层的输出；f₃是sigmod函数；out₂为推荐区域是行人的概率；x为矩阵中的一个元素；e是自然对；

根据所有推荐区域是行人的概率，采用NMS算法去除重合率大于预设阈值的推荐区域，余下的推荐区域是行人的概率为最后的检测结果。

5.根据权利要求1-4任一所述的基于多尺度的卷积特征的行人检测方法，其特征在于，所述识别网络为3层的全连接神经网络。

6.根据权利要求1-4任一所述的基于多尺度的卷积特征的行人检测方法，其特征在于，当设定尺寸为M*N时，预设尺寸为(M/32)*(N/32)。