[发明专利]一种通用的嵌入式平台的行人检测模型训练方法

说明书

一种通用的基于嵌入式平台的行人检测模型的训练方法，包括：数据集的准备，进行图像标准化；训练浮点模型，采用降低浮点数进行深度学习模型训练；微调量化卷积层，使用上一步骤得到的浮点模型，并将模型的路径添加到微调量化卷积脚本中进行微调，得到微调量化卷积层；应用线性变换微调模型，利用已标注的样本对预训练参数进行调整，以针对行人检测任务来修正模型网络；模型效果测试，利用测试集测试行人检测模型的准确率和召回率；在实时性和检测的灵活性上有较大的提高，同时具有高准确率和召回率等良好性能。

技术领域

本发明属于人工智能领域，具体涉及一种将计算机图像视觉技术中的行人检测应用于嵌入式平台的方法。

背景技术

目标检测是当前计算机视觉所研究的重要领域之一，其目的是能够对图像或视频中的特定目标进行定位，并在原始图像中标定出目标的具体位置。行人检测是其中应用范围很广的一个具体实例，在许多重要场合都有非常重要的应用。传统的行人检测方法是通过设计和提取人工设计的分辨率较强的特征，如梯度直方图特征，Haar特征等，接着使用支持向量机等机器学习中的分类模型对所提取得到的特征进行分类，从而分别出是否是行人目标。然而，在实际场景下，行人容易受到光照、姿势、比例和拍摄角度等诸多因素的限制和影响，这些存在的因素严重影响了使用传统方法进行行人检测的准确度。自从深度学习被广泛应用于各种计算机视觉任务以来，各个领域都得到了飞速的发展。在目标检测领域，深度学习的出现大幅度提高了检测的准确度和鲁棒性，但是卷积神经网络所存在的最大的问题是模型参数量大，预测时计算量大使得模型的实时性并不高，MobileNet使用深度可分离卷积虽然减少了参数的数量，但是效果仍比不上同等规模的VGG等网络模型。

发明内容

针对上述不足，本发明提供了一种通用的基于嵌入式平台的行人检测模型的训练方法，其特征在于，包括：

（1）数据集的准备，进行图像标准化；

（2）训练浮点模型，采用降低浮点数位数进行深度学习模型训练；

（3）微调量化卷积层，使用上一步骤（2）得到的浮点模型，并将模型的路径添加到微调量化卷积脚本中进行微调，得到微调量化卷积层；

（4）应用步骤（3）线性变换微调的模型，利用标注的样本对预训练参数进行调整，以针对行人检测任务来修正模型网络；

（5）模型效果测试，利用测试集测试行人检测模型的准确率和召回率。

本发明创造的优点：针对嵌入式设备，利用特征提取与回归相分离的思路，并对SSD网络模型进行改进，实现了在嵌入式设备上对行人的实时检测。本发明提出的方法对采集图像的角度和环境亮度无严苛要求，使用灵活方便，检测的实时性好，精度高，可以很好地解决目前已有方法存在的问题。本方法与其它现有的在嵌入式设备上应用的行人检测训练方法相比，在实时性和检测的灵活性上有较大的提高，同时具有高准确率和召回率等良好性能。

附图说明

图1是训练流程示意图。

具体实施方式

下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。

行人检测在嵌入式设备上的应用是一项极具工程挑战的问题，嵌入式设备的优点在于使用方便体积小，结构简单，但其最大的缺点在于计算能力差，针对部分现有的神经网络模型难以达到实时的效果，且精度损失较大。以往的方法大多针对于某种特定的嵌入式平台进行设计，本发明旨在构建一种通用的基于嵌入式平台的行人检测模型的训练方法，通过如下步骤来解决：

（1）数据集的准备