[发明专利]基于精简卷积神经网络的行人检测方法

权利要求书

1.一种基于精简卷积神经网络的行人检测方法，其特征在于，包括如下步骤：

(10)数据集收集：将数据集图像分为训练集图像与测试集图像两个不同的集合；

(20)数据图像预处理：对训练数据集图像和测试数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余的训练集灰度图像和低冗余的测试集灰度图像；

(30)精简卷积网络模型获取：利用低冗余训练集灰度图像，对卷积神经网络进行训练，然后通过计算网络中卷积核的相关性，在保持网络性能的前提下，对训练好的卷积神经网络逐层进行剪枝，最后利用测试集灰度图像验证卷积神经网络的性能，得到精简深度卷积网络模型；

(40)行人检测：利用精简卷积神经网络模型，对使用现场图像进行行人检测。

2.根据权利要求1所述的行人检测方法，其特征在于，所述(20)数据图像预处理步骤包括：

(21)尺寸变换：将训练数据集图像和测试数据集图像变换为像素大小相同的图像；

(22)对比度归一化：将尺寸变换后的训练数据集图像和测试数据集图像进行对比度归一化；

(23)白化处理：将对比度归一化后的训练数据集图像和测试数据集图像进行白化处理，得到低冗余训练集灰度图像和低冗余测试集灰度图像。

3.根据权利要求2所述的行人检测方法，其特征在于，所述(22)对比度归一化步骤具体为，根据下式对尺寸变换后的训练数据集图像和测试数据集图像进行对比度归一化：

式中，I表示原图像，表示归一化后的图像，μ和σ分别为图像均值和标准差，C为常数。

4.根据权利要求2所述的行人检测方法，其特征在于，所述(23)白化处理步骤具体为，根据下式对比度归一化后的训练数据集图像和测试数据集图像进行白化处理：

式中，x_rot,i为训练数据集x_i经过主分量分析变换后的数据，λ_i为分析变换后的数据对应特征值。

5.根据权利要求1所述的行人检测方法，其特征在于，所述(30)精简卷积网络模型获取步骤包括：

(31)卷积神经网络模型训练：利用已经预处理好的训练集，对卷积神经网络进行训练，并通过测试集对卷积神经网络的训练进行监督，得到一个鲁棒、高性能的卷积神经网络模型；

(32)卷积核筛选：提取卷积神经网络模型中的卷积核，以同一层的卷积核为一组，利用相关性分析对每一组的所有卷积核进行筛选，对于相关性低的两个卷积核，采用保留两个卷积核的方法，对于相关性高的两个卷积核，则采用随机保留一个卷积核的方法；

(33)卷积神经网络特征映射提取：将卷积神经网络作为特征提取器，提取卷积神经网络中筛选后卷积核所对应的特征映射；

(34)卷积神经网络和方向梯度直方图结合：对卷积神经网络的特征映射进行提取和处理后，利用方向梯度直方图对特征进行处理，最后进行分类，并根据分类器准确率，确定最优的卷积核保留数量，从而在保持网络性能的前提下，得到精简卷积神经网络模型。