[发明专利]一种基于深度卷积网络的半监督行人检测方法

权利要求书

1.一种基于深度卷积网络的半监督行人检测方法，其特征在于，包括

S1从公共数据集的100％完整的训练集中随机抽取5％作为半监督学习的训练集，保留其标注，作为有标注训练集，其余的95％作为未标注的训练集，删除其标注；

S2采用有标注的训练集训练改进后的RPN卷积神经网络，得到训练后的RPN卷积神经网络；

S3采用未标注的训练集对训练后的RPN卷积神经网络进行测试，根据测试得分评估未标注样本每个候选窗口的置信度，根据置信度判断正类样本并贴上伪正类样本的标签，否则为伪负类样本；

S4采用有标注的数据集及伪标注样本再次训练改进后的RPN卷积神经网络，所述伪标注样本包括伪正类样本和伪负类样本；

S5重复步骤S3-S4，直至改进后的RPN卷积神经网络性能饱和，则训练停止。

2.根据权利要求1所述的半监督行人检测方法，其特征在于，所述改进后的RPN卷积神经网络包括VGG-16网络的前五层卷积网络,所述前五层网络记作Conv_1，Conv_2，Conv_3，Conv_4，Conv_5，在Conv_5后连接一个卷积核为3*3的中间层卷积，所述中间卷积层分别与两个1*1卷积层连接，所述Conv_5作为候选窗口特征提取层，卷积核为3*3的中间层卷积将所有位于Conv_5的候选窗口都输出成512维的向量，然后将512维的向量输入两个1*1卷积层,输出分类结果和回归结果。

3.根据权利要求2所述的半监督行人检测方法，其特征在于，所述候选窗口的生成，具体是使用滑动窗口遍历RPN卷积神经网络中VGG-16的第五层卷积层即Conv_5，每个滑动窗口中心设置9个anchor。

4.根据权利要求1所述的半监督行人检测方法，其特征在于，所述RPN卷积神经网络加入一致性约束项。

5.根据权利要求3所述的半监督行人检测方法，其特征在于，所述anchor宽高比设置为0.41。

6.根据权利要求1所述的半监督行人检测方法，其特征在于，所述改进后的RPN卷积神经网络其它层卷积用均值为0，标准差为0的高斯分布初始化，所述其它层为卷积核为3*3的中间层卷积和其后面的两个1*1卷积层。