[发明专利]基于卷积神经网的深度图像头部检测与定位方法及系统

权利要求书

1.基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述方法具体包括：

对图像进行分类处理，获得包含头部信息的所有待处理目标图像；

将待处理目标图像进行聚类分析，得到头部中点信息，进而实现多目标的头部检测与定位。

2.根据权利要求1所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述对图像进行分类处理包括特征提取步骤：

将原始图像转换为多通道图像，并采用不同卷积核对该多通道图像进行卷积操作，获取原始图像在不同尺度上的特征映射，再通过多个残差块进行特征提取，以提取原始图像的低层特征和高层特征。

3.根据权利要求2所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述特征提取步骤后还包括目标分类步骤：

通过softmax作为激活函数，输出包含头部信息的待处理目标图像与未包含头部信息的图像的概率值，进而获得包含头部信息的所有待处理目标图像。

4.根据权利要求3所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述将待处理目标图像进行聚类分析具体包括：

将所有待处理目标图像的中心点抽象为d维空间中的样本点；

将d维空间指定圆形区域内的任意点作为起始点；

计算起始点的偏移均值，将起始点移动至偏移均值位置处；

重复上一步骤，直至样本点收敛，进而实现多目标的头部检测与定位。

5.根据权利要求1所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述计算起始点的偏移均值的计算公式为：

公式中，x表示点集，x_i表示点集中第i个点，x_ik表示第i个点的第k个特征维度，b是核带宽，g(t)是核函数，w_k是第k个属性的权重系数。

6.根据权利要求1所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述权重通过平均绝对差、标准差、方差、变异系数进行定义，当采用平均绝对差为加权系数时，权重系数的计算公式为：

当采用标准差为加权系数时，权重系数的计算公式为：

当采用方差为加权系数时，权重系数的计算公式为：

当采用变异系数为加权系数时，权重系数的计算公式为：

以上公式中，n表示样本大小。

7.根据权利要求1所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述将所有待处理目标图像的中心点抽象为d维空间中的样本点步骤前还包括：

计算所有待处理目标图像中包含完整头部的矩形图像块的大小，计算公式如下：

上式中，w_p，h_P表示包含完整头部的矩形图像块的大小；f_x，f_y为深度相机的水平焦距和垂直焦距；R为定值，代表头部平均宽度；D_P为该点像素值。

8.根据权利要求1所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述方法还包括性能验证步骤，评价正确检测到头部的指标公式为：

IoU(A，B)＞σ

IoU(A，B)表示正确检测到头部的指标；A表示真实的头部区域；B为预测的头部区域；σ为阈值，具体为0.5。

9.一种卷积神经网络，其特征在于，所述网络用于对图像进行分类处理，获得包含头部信息的所有待处理目标图像，包括顺次连接的多尺度特征提取单元、基于残差块的特征提取单元和分类单元。

10.根据权利要求9所述的基于卷积神经网的深度图像头部检测与定位方法，其特征在于：所述多尺度特征提取单元包括顺次连接的多个不同卷积核的卷积层，和与最后一层卷积层连接的池化层；

所述基于残差块的特征提取单元包括若干顺次连接的残差块，所述残差块包括若干卷积层，且最后一层卷积层对特征进行降维处理；

分类单元与第一残差块连接，第一残差块与第二残差块连接，且第二残差块中的卷积层与第一残差块中的卷积层执行跳跃加法操作，以更好地获得原始图像的语义信息。