[发明专利]基于图像块深度学习特征的红外行人检测方法

摘要

本发明涉及一种基于图像块深度学习特征的红外行人检测方法，属于图像处理与计算机视觉技术领域。该方法将数据集分为训练集和测试集，在训练阶段，首先在红外行人数据集的正负样本上滑动提取小图像块，然后进行聚类，对每一类图像块训练一个卷积神经网络。然后用训练好的卷积神经网络组对正负样本进行特征提取，并训练SVM分类器。在测试阶段，首先对测试图像提取感兴趣区域，然后对感兴趣区域使用训练好的卷积神经网络组提取特征，最后利用SVM分类器进行预测。本发明以检验每个感兴趣区域是否属于行人区域的方式，达到行人检测的目的，能够在检测场景复杂、环境温度较高、行人尺度姿态差异大等情况下准确的检测出红外图像中的行人，并为后续智能视频等相关领域的研究提供支持。

主权项

1.一种基于图像块深度学习特征的红外行人检测方法，其特征在于：该方法包括以下步骤：/n步骤1：将数据集分为训练集和测试集；对于训练集数据，提取图像中的人工标注的正样本，然后随机采样若干区域作为负样本；将正负样本区域放缩到统一大小，然后采用滑动窗口提取固定尺度的小图像块；/n步骤2：对正样本产生的小图像块进行特征提取，然后对提取到的特征进行聚类，聚类中心数量为k；/n步骤3：将聚类后得到的每一类小图像块作为正样本，结合步骤1得到的负样本的小图像块，训练k个二分类的卷积神经网络；/n步骤4：对步骤1中由训练集产生的正负样本使用步骤3得到的神经网络提取特征，然后训练SVM分类器；/n步骤5：对于测试集数据，提取图像的似人性区域；/n步骤6：将步骤5中提取到的似人性区域放缩到统一大小，使用步骤3得到的神经网络提取特征，通过步骤4的SVM分类器得到分类结果；/n在步骤3中，所述的训练卷积神经网络的过程为：首先，构造一个适合于数据集规模的卷积神经网络，所述的网络为卷积层和抽样层交替出现，输出层为softmax分类器层的多层网络，再利用反向传播算法传递误差信号，更新梯度，寻找最优值；/n在步骤4中，所述的对正负样本提取神经网络特征训练SVM分类器的过程为：对于单个区域，滑动提取n个小图像块，然后使用步骤3所得的k个卷积神经网络对每个小图像块依次提取特征，最终生成一个k×n维的特征描述子；将由卷积神经网络特征描述后的正负样本区域用来训练SVM分类器，学习得到最优权重和偏差值。/n