[发明专利]基于深度学习的小尺寸行人目标检测方法

摘要

本发明公开了一种基于深度学习的小尺寸行人目标检测方法。主要解决现有技术对小尺寸行人目标检测效果差的问题。其实现方案是：读取行人检测数据库数据，使用VGG网络提取特征；将VGG网络不同层特征进行叠加融合，得到两种特征融合层；根据VGG网络中特征层Conv5_3和第一种特征融合层，获得候选区域的回归边界和分类概率；根据候选区域的回归边界和第二种特征融合层，得到检测结果的回归边界和分类概率；根据检测结果的回归边界和分类概率，使用损失函数对VGG网络进行训练，得到最终的精确检测结果。本发明能实现对小尺寸目标精确检测，可用于无人驾驶或辅助驾驶。

主权项

1.一种基于深度学习的小尺寸行人目标检测方法，包括：(1)读取行人检测数据库数据，使用VGG卷积神经网络提取行人检测数据库数据的卷积特征：1a)VGG卷积神经网络拥有5组卷积层，每一组内有2～3个卷积层，同时每组尾部连接一个最大池化层用来缩小卷积层尺寸，每一个卷积层使用同样尺寸的卷积核提取卷积特征；(2)将VGG卷积神经网络不同层提取的卷积特征进行叠加融合，得到两种卷积特征融合层：2a)将VGG卷积神经网络中第4组第3个卷积特征层Conv4_3提取的卷积特征进行反卷积处理，再将反卷积处理的结果与VGG卷积神经网络中第3组第3个卷积特征层Conv3_3提取的卷积特征进行叠加融合，得到第一种卷积特征融合层；2b)将VGG卷积神经网络中第3组第3个卷积特征层Conv3_3、第4组第3个卷积特征层Conv4_3和第5组第3个卷积特征层Conv5_3提取的卷积特征进行叠加融合，得到第二种卷积特征融合层；(3)根据VGG卷积神经网络中第5组第3个卷积特征层Conv5_3和2a)得到的第一种卷积特征融合层，获得最终候选区域的回归边界和分类概率：3a)将第一种卷积特征融合层进行全卷积处理，得到第一种候选区域的回归边界和分类概率，该候选区域是指在数据中可能有行人目标的数千个区域；3b)将VGG卷积神经网络中第5组第3个卷积特征层Conv5_3进行全卷积处理，得到第二种候选区域的回归边界和分类概率；3c)将两种候选区域的回归边界和分类概率融合，得到最终候选区域的回归边界和分类概率；(4)根据最终候选区域的回归边界和第二种卷积特征融合层，得到最终检测结果的回归边界和分类概率：4a)将最终候选区域的回归边界通过RoI池化，映射到第二种卷积特征融合层中，得到每个候选区域在第二种卷积特征融合层中对应的卷积特征；4b)将4a)得到的卷积特征进行全卷积处理，得到最终检测结果的回归边界和分类概率；(5)根据(4)中最终的回归边界和分类概率，使用损失函数L对(1)中VGG卷积神经网络进行训练，得到最终检测结果：5a)设损失函数L包括表示分类概率的损失子函数Lcls和表示回归边界的损失子函数Lreg，并通过下式计算分类概率的损失子函数Lcls：其中，i为候选区域的索引，p_i为每个候选区域是否代表一个行人的检测概率，为候选区域的真实标签，如果候选区域中是行人，则为1，否则，为0；5b)计算回归边界的损失子函数Lreg，并根据Lcls和Lreg的值，得到损失函数L；5c)通过反向传播迭代更新VGG卷积神经网络中的权值10万次，使损失函数L的值逐渐减小，得到精确的最终检测结果。