[发明专利]一种基于深度学习技术的行人检测方法

摘要

本发明公开了一种基于深度学习技术的行人检测方法，首先基于迁移学习采用“逐步迁移”的策略训练一个二分类模型来初始化最终模型参数；然后采用当前非常流行高效的Faster RCNN框架并加以改进来完成行人检测工作，其基于CNN特征，不仅可以处理任意尺度的图像，而且检测速度快。相比已公开发明专利，本发明所公开的方法并不需要对网络进行特殊的设计，充分利用了已有的可用数据，采用通用的网络结构依旧可以达到不错的实验效果，充分发挥了深度卷积网络的优势，具有设计简单，鲁棒性较佳，检测准确率高，漏检率低的优点。

主权项

1.一种基于深度学习技术的行人检测方法，其特征在于，包括训练阶段和测试阶段；测试阶段，只需要将待测图像输入训练所得的模型，即可得到结果；所述的训练阶段主要包括以下两个步骤：S1、模型初始化步骤；S2、模型训练步骤；S1所述的模型初始化步骤是基于迁移学习采用“逐步迁移”的策略微调(fine‑tuning)实现，包括以下子步骤：S11、准备数据，针对INRIA和ETH数据库，进行数据增强操作来扩充数据集；S12、利用ImageNet模型在INRIA和ETH这两个数据库所组成的混合数据集上进行微调，得到新的分类模型；S13、利用在步骤S12中所获得分类模型，在Caltech数据库上进行微调，得到一个新的分类模型；S2所述的模型训练步骤是基于改进的Faster RCNN框架实现，所述基于改进的Faster RCNN框架包含如下子步骤：S21、准备数据集，考虑到Catlech行人数据是全标注的视频同时正负样本的分布不均衡性质，利用过采样来扩充数据集；S22、修改网络结构，整个网络包括候选窗口网络(Region Proposal Networks,RPN)和快速区域卷积神经网络(Fast Region‑Based Convolutional Neural Networks,FRCN)，并利用“交叉优化”策略来训练完成；S22中所述的“交叉优化”策略训练方式包括以下子步骤：S221、利用步骤S13中得到的分类模型初始化RPN网络并对整个RPN网络进行微调，来完成候选窗口提取的任务，从而得到初始的RPN模型；S222、利用步骤S13中得到的分类模型初始化区域卷积网络FRCN并对整个FRCN网络进行微调，同时利用步骤S221中所得到的RPN模型所生成的候选窗口来完成检测的任务，从而得到初始的FRCN模型；S223、利用步骤S222得到的FRCN模型来初始化RPN网络进行微调，但仅微调RPN所特有的网络层，得到一个新的RPN模型；S224、继续微调FRCN模型，但仅微调FRCN模型所特有的网络层，得到一个新的FRCN模型。