[发明专利]基于深度卷积网络的行人检测方法及装置

权利要求书

1.一种基于深度卷积网络的行人检测方法，其特征在于，包括卷积神经网络训练步骤和行人检测步骤；

所述卷积神经网络训练步骤包括如下步骤：

S10、从图像库中选取多组样本图像数据；

S11、将一组样本图像数据送入多层神经卷积网络的输入层，并给定输出层的理想输出矢量，其中，所述多层神经网络基于神经元模型而构建，所述卷积神经网络的层数为三层，每层神经卷积网络包括输入层、中间层及输出层；

S12、计算神经卷积网络的中间层的输出矢量以及输出层的实际输出矢量后，将中间层的输出矢量以及输出层的实际输出矢量中的元素分别与理想输出矢量中的元素比较，得出中间层误差以及输出层误差；

S13、根据中间层误差以及输出层误差分别调整输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值；所述中间层包括三个级联的卷积层、子抽样层以及激活函数层，所述卷积层对图像进行卷积运算；所述子抽样层对卷积后的图像进行抽样得到矢量元素；所述激活函数层对抽样后的矢量元素进行判断；

S14、判断总误差函数值是否小于或等于误差阈值，若是，则卷积神经网络训练完成，并储存输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值；若否，则返回步骤S11；

所述行人检测步骤包括如下步骤：

S20、采集待检测的视频图像；

S21、提取多组待测目标矢量，并选择一组待测目标矢量输入卷积神经网络，并利用卷积神经网络对待测目标矢量进行判断，当待测目标矢量的总误差函数值小于或等于误差阈值，则为行人图像，否则，继续处理下一组待测目标矢量。

2.根据权利要求1所述的一种基于深度卷积网络的行人检测方法，其特征在于，所述总误差函数值为累加的中间层的输出矢量元素与输出层的实际输出矢量元素的差的平方和，记作：

E=12Σk=0M-1(dk-yk)2]]>

其中，k表示第k-1个目标矢量元素，d_k表示中间层的输出矢量的第k个元素，y_k表示输出层的实际输出矢量的第k个元素。

3.一种基于深度卷积网络的行人检测装置，其特征在于，包括卷积神经网络训练模块和行人检测模块，

所述卷积神经网络训练模块包括依次电连接的图像选择模块、图像导入模块、计算模块以及判断模块；所述行人检测识别模块包括电连接的图像采集模块以及目标检测模块；

所述图像选择模块，用于从图像库中选取多组样本图像数据；

所述图像导入模块，用于将一组样本图像数据送入多层神经卷积网络的输入层，并给定输出层的理想输出矢量，其中，所述多层神经网络基于神经元模型而构建，每层神经卷积网络包括输入层、中间层及输出层；

所述计算模块，用于计算神经卷积网络的中间层的输出矢量以及输出层的实际输出矢量后，将中间层的输出矢量以及输出层的实际输出矢量中的元素分别与理想输出矢量中的元素比较，得出中间层误差以及输出层误差；以及根据中间层误差以及输出层误差分别调整输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值；所述中间层包括三个级联的卷积层、子抽样层以及激活函数层，所述卷积层对图像进行卷积运算；所述子抽样层对卷积后的图像进行抽样得到矢量元素；所述激活函数层对抽样后的矢量元素进行判断；

所述判断模块，用于判断总误差函数值是否小于或等于误差阈值，若是，则卷积神经网络训练完成，并储存输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值；

所述图像采集模块，用于采集待检测的视频图像；

所述目标检测模块，用于提取多组待测目标矢量，并选择一组待测目标矢量输入卷积神经网络，并利用卷积神经网络对待测目标矢量进行判断，当待测目标矢量的总误差函数值小于或等于误差阈值，则为行人图像，否则，继续处理下一组待测目标矢量。