[发明专利]基于精简卷积神经网络的行人检测方法

说明书

本发明公开一种基于精简卷积神经网络的行人检测方法，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；(20)数据集图像预处理：对数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余数据灰度图像；(30)精简卷积神经网络模型获取：对卷积神经网络进行训练，对训练好的卷积神经网络逐层进行剪枝，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。本发明的基于精简卷积神经网络的行人检测方法，在保持网络训练精度的同时，对卷积神经网络进行精简，在减少网络规模的同时，加快行人检测的速度。

技术领域

本发明属于图像识别技术领域，特别是一种内存占用小、运行速度快的基于深度卷积神经网络的行人检测方法。

背景技术

在计算机视觉领域，行人检测是一项非常重要的研究内容，被广泛应用在汽车自主驾驶，公共场所人流监控等场景。

传统的行人检测技术是通过人工设计特征，如HOG-特征，训练分类器来进行行人检测。面对检测对象的场景变化和数量剧增，人工设计特征的代价太大，无法满足实时性要求和鲁棒性。

2006年以来，深度学习迅速发展，在图像分类、模式识别和视频监控等领域得到广泛应用。深度卷积神经网络，作为深度学习的一种，在行人检测中取得重大突破，识别率超过传统技术。深度卷积神经网络由于其结构的特殊性，能够自动提取特征并进行识别，免去传统技术中复杂的人工特征设计，因而传统行人检测技术被逐渐替代。

目前用于行人检测的深度卷积神经网络，主要有两个方面改进：深度和宽度。通过增加网络的深度，能够提取出更加抽象的特征，进而得到更好的行人特征表示，如中国发明专利申请(申请号：201610315688.1，公开日：2016.10.12)“一种端到端的卷积神经网络的行人检测方法”采用18层的网络来构建端到端的行人检测框架，通过迁移VGG-16预训练参数，使得网络得到较好的检测效果。增加网络的宽度，能够使得每一层的特征表示更加丰富，从而使得网络具有更好的非线性表示能力。中国发明专利申请(申请号：201610954990.1，公开日：2017.4.19)“基于深度网络的多尺度行人检测方法”采用三列并联网络结构，将多尺度网络进行合并，增加网络深度的同时，充分挖掘图像中不同尺寸行人的特征。

然而，随着卷积神经网络深度和宽度的增加，网络参数成指数倍增长，网络训练的复杂度急剧增加，网络规模和复杂度都在不断变大，进而使得网络参数越来越多并越来越大，这些最终导致运算所需要的硬件资源(内存、GPU)越来越高，网络运行占用的运算资源增大，所需的运算时间增加，这不利于卷积神经网络在运算条件受限的情况下进行应用。例如对于车载系统实现行人检测时，其储存能力和运算能力有限，降低卷积神经网络的复杂性，提高卷积神经网络的运算效能，成为需要研究的重要问题。

总之，现有技术存在的问题是：基于卷积神经网络行人检测时，从卷积神经网络中提取到的特征映射可能存在着冗余部分，这些冗余部分不但不能提高网络性能，还可能降低行人检测的正确率。基于卷积神经网络的行人检测运算速度慢，并消耗大量的存储与计算资源，影响行人检测系统的整体效率，使得行人检测难以达到实时监测的现实需求。

发明内容

本发明的目的在于提供一种基于精简卷积神经网络的行人检测方法，通过基于卷积核相关性分析的卷积神经网络精简方法，在保持网络可训练性的同时，获得更好的泛化能力，从而提高行人检测的正确率。

实现本发明目的的技术解决方案为：

(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；

(20)数据集图像预处理：对数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余数据灰度图像；