[发明专利]一种基于WGAN模型的行人检测方法

说明书

本发明公开了一种基于WGAN模型的行人检测方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；S3、初始化随机噪声，输入生成器中；S4、准备好行人图像数据集，输入判别器中训练；S5、将行人检测操作得到的损失函数输入生成器进行后续训练。本方法构建的基于WGAN模型的行人检测方法，引入沃瑟斯坦距离，能够评价整个网络的训练质量，同时通过将行人图像数据集输入判别器中，不断训练判别器的能力，从而能够在复杂的道路图像中准确地判别行人的准确位置。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于WGAN模型的行人检测方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，对于生成器生成图像质量并没有统一的评判标准，且对于数据集没有统一的要求。针对现有技术中存在的上述问题，目的亟待提出一种利用沃瑟斯坦距离作为生成对抗网络的评判指标，从而使整个模型的训练能够往正确的方向进行。同时，准备好行人数据集，连同生成器生成图像，输入至判别器中进行训练。通过观察沃瑟斯坦距离，评价判别器的能力。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于WGAN模型的行人检测方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于WGAN模型的行人检测方法，所述的行人检测方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；

S3、初始化随机噪声，输入生成器中；

S4、准备好行人图像数据集，输入判别器中训练；

S5、将行人检测操作得到的损失函数输入生成器进行后续训练。

进一步地，所述的步骤S4具体过程如下：

S41、准备好行人数据集；

S42、将生成器生成图像与行人数据集输入判别器中进行训练。

进一步地，所述的步骤S5具体过程如下：

S51、观察沃瑟斯坦距离，评价判别器当前辨别行人的能力；

S52、将行人检测操作得到的损失函数输入生成器进行后续训练。

进一步地，所述的损失函数的表达式为：

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度，E为取均值的操作符号。