[发明专利]基于深度学习的小尺寸行人目标检测方法

权利要求书

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)中最终检测结果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L_cls和表示回归边界的损失子函数L_reg，并通过下式计算分类概率的损失子函数L_cls：

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L_reg，并根据L_cls和L_reg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。

2.根据权利要求1所述的方法，其中步骤5b)中计算回归边界的损失子函数L_reg，通过下式计算：

其中，i为候选区域的索引，t_i为候选区域的坐标，为行人所在区域的真实坐标。

3.根据权利要求1所述的方法，其中步骤5b)中根据L_cls和L_reg的值，得到损失函数L，通过下式计算：

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；t_i为候选区域的坐标，为行人所在区域的真实坐标，N_cls和N_reg为两个数值不同的归一化系数，N_cls取值为256，N_reg取值为2400，λ为平衡系数。