[发明专利]基于深度神经网络的行人检测方法、系统、设备及介质

权利要求书

1.一种基于深度神经网络的行人检测方法，其特征在于：包括

步骤S1、获取原图训练集，所述原图训练集包含有多张原图，再根据透视投影关系从每个所述原图的远处成像中分割出多个子图以构成子图训练集；

步骤S2、从所述原图训练集中提取原图，以及从所述子图训练集中提取出从所述原图中分割出的多个子图，再将多个所述子图与所述原图缩放到统一的大小；

步骤S3、将所述子图以及所述原图作为训练图片分别输入到Faster R-CNN模型进行训练，并获得子图行人检测模型和原图行人检测模型；

步骤S4、获取输入图片，并根据透视投影关系从所述输入图片的远处成像中分割出多个小目标图片；

步骤S5、通过所述子图行人检测模型以及所述原图行人检测模型分别对多个所述小目标图片以及所述输入图片进行行人检测，并分别获得两类检测结果；

步骤S6、用非极大值抑制法对所述两类检测结果进行合并，得到最终检测结果。

2.根据权利要求1所述的基于深度神经网络的行人检测方法，其特征在于：在步骤S1中，所述子图与原图的长宽比一致，且多个所述子图相互之间具有一定的重叠度。

3.根据权利要求1所述的基于深度神经网络的行人检测方法，其特征在于：在步骤S2中，选取多个所述子图中含有小目标数量最多的一个子图作为训练图片。

4.根据权利要求1所述的基于深度神经网络的行人检测方法，其特征在于：在步骤S5中，选取多个所述小目标图片中含有小目标数量最多的一个小目标图片以输入到所述子图行人检测模型中进行检测。

5.根据权利要求1所述的基于深度神经网络的行人检测方法，其特征在于：所述原图训练集取自ImageNet数据库。

6.根据权利要求1所述的基于深度神经网络的行人检测方法，其特征在于：在步骤S3中，所述Faster R-CNN模型包括具有公共卷积层的RPN网络和Fast R-CNN网络，训练时，所述公共卷积层共享所述子图和所述原图的训练参数，而其余网络层则分别针对所述子图和所述原图进行训练，从而获得子图行人检测模型和原图行人检测模型。

7.根据权利要求6所述的基于深度神经网络的行人检测方法，其特征在于：在步骤S3中，获得子图行人检测模型或者原图行人检测模型的步骤为：

步骤S31、用ImageNet数据库初始化，独立训练一个RPN网络；

步骤S32、用ImageNet数据库初始化，使用步骤S31中RPN网络产生的proposal作为输入，训练一个Fast R-CNN网络，其中，Fast R-CNN网络与RPN网络中每一层的参数完全不共享；

步骤S33、使用步骤S32中的Fast R-CNN网络的参数初始化一个新的RPN网络，在用子图训练集或者原图训练集重新训练时，固定RPN网络与Fast R-CNN网络中的公共卷积层以使RPN网络与Fast R-CNN网络共享所有公共的卷积层，而仅更新RPN独有的卷积层；

步骤S34、继续保持RPN网络与Fast R-CNN网络中的公共卷积层固定，加入Fast R-CNN网络特有的网络层以形成统一网络，在用子图训练集或者原图训练集重新训练时，仅微调Fast R-CNN特有的网络层，从而获得所述子图行人检测模型或者所述原图行人检测模型。