[发明专利]一种行人检测方法

权利要求书

1.一种行人检测方法，其特征在于，包括以下步骤：

步骤S1：准备训练卷积神经网络所需的行人正样本集以及负样本集；

步骤S2：对样本集预处理并且归一化为统一尺度，并生成数据文件，包括以下分步骤：

步骤S21：对搜集到的样本进行裁剪，使其边缘区域占比较小；所述占比较小是指行人边缘和样本图像边缘之间的距离较小，为5个像素点；

步骤S22：将正样本集标记为1，将负样本集标记为0；

步骤S23：将样本文件进行随机打包，提取每一幅图片的R、G、B像素数值，保存为数据文件；所述R表示红色，所述G表示绿色，所述B表示蓝色；

步骤S3：设计卷积神经网络的结构，进行训练，获取网络收敛时的权重连接矩阵；

步骤S4：对视频进行自适应背景建模，获取每一帧中运动目标的信息，首先对于检测到的运动目标区域进行粗选，排除高度和宽度比值不符合要求的区域，产生候选区域；

所述目标信息包括目标位置和目标大小；

步骤S5：将每一个候选区域输入到卷积神经网络中，判断是否有行人存在。

2.根据权利要求1的一种行人检测方法，其特征在于，所述步骤S3设计卷积神经网络的结构具体包括以下分步骤：

步骤S31：设计一个具有两层卷积操作层、两层池化操作层、一层全连接层、一层softmax分类器、一层逻辑回归对象层的卷积神经网络；

步骤S32：各个神经元的激活函数采用f(x)＝max(0,x)代替传统的sigmoid函数和正弦双曲函数加快网络收敛速度；

步骤S33：每一次迭代取一个数据，然后以128个样本为单位利用BP算法对卷积神经网络进行训练，直到网络达到收敛；

所述迭代过程中每一个样本对应着图像处理器GPU中的每一个线程。

3.根据权利要求2的一种行人检测方法，其特征在于，步骤S3所述训练包括以下分步骤：

步骤31’：初始化卷积神经网络的所有权重；

步骤32’：通过将每一个训练样本输入到网络模型中计算实际的网络输出；

步骤33’：计算网络实际输出和样本期望输出的差作为网络模型的误差；

步骤34’：按照极小化误差的方法反向依次调整各层的权值矩阵，循环执行步骤32’、步骤33’、步骤34’直到网络达到收敛。

4.根据权利要求1的一种行人检测方法，其特征在于，所述步骤S4具体包括以下分步骤：

步骤S41：根据视频中的每一帧图像进行背景更新；

步骤S42：对视频中的每一帧图像利用自适应背景更新方法进行建模，获取所有可能的候选运动目标区域；

步骤S43：根据检测到的运动目标区域的宽高比排除不符合要求的区域：a<(h/w)<b；

其中，a、b为预先设定的阈值，h、w分别是目标区域的高度和宽度；

步骤S44：将获取的候选区域信息存到向量中。

5.根据权利要求4的一种行人检测方法，其特征在于，所述自适应背景更新模型公式：B_n+1(x,y)＝αB_n(x,y)+(1-α)I_n(x,y)；

其中，B_n+1(x,y)、B_n(x,y)分别代表时刻n+1、n位置(x,y)处背景的像素值，I_n(x,y)代表时刻n位置(x,y)处图像像素数值，α为预先设定的阈值，且0<α<1。

6.根据权利要求1的一种行人检测方法，其特征在于，所述步骤S5中包括对向量中的每一个成员利用步骤S3构建好的的卷积神经网络模型进行特征提取，利用softmax分类器进行目标分类，进而检测行人是否存在。

7.根据权利要求1的一种行人检测方法，其特征在于，所述步骤S2尺度为64*128像素。