[发明专利]一种快速行人检测方法及装置

权利要求书

1.一种快速行人检测方法，包括如下步骤：

步骤S1，构建可配置的基于卷积神经网络的深度模型，利用训练样本学习出构建的网络参数，获得用于测试过程的模型；

步骤S2，输入测试样本，通过训练好的模型利用神经网络感知域的变化规律使用不同的中间层对不同尺度范围内的目标物体进行检测，预测出图像中目标物体的框图；

步骤S1进一步包括：

构建可配置的基于卷积神经网络的深度模型；

输入训练样本；

初始化卷积神经网络及其参数，包括网络层中每层连接的权重和偏置；

采用前向传播算法和后向传播算法，利用训练样本学习出构建的网络参数，即用于测试过程的模型；

所述深度模型包括多尺度的目标候选网络与目标检测网络，所述目标候选网络基于卷积神经网络不同层提出特征的差异性，在中间层分别生成对不同尺度目标物体的候选框图；所述目标检测网络在所述目标候选网络输出的候选框图的基础上进行精细化的分类和检测；

所述卷积神经网络由卷积层、降采样层、上采样层堆叠而成，所述卷积层是指对输入的图像或者特征图在二维空间上进行卷积运算，提取层次化特征；所述降采样层使用没有重叠的max-pooling操作，该操作用于提取形状和偏移不变的特征，同时减少特征图大小，提高计算效率；所述上采样层，是指对输入的特征图在二维空间上进行去卷积的操作，用以增大特征图的像素。

2.如权利要求1所述的一种快速行人检测方法，其特征在于：所述深度模型采用Squeeze VGG-16卷积神经网络作为骨干网络，所述Squeeze VGG-16卷积神经网络采用conv1-1层和紧随其后的12层Fire模块层为特征提取的网络结构。

3.如权利要求2所述的一种快速行人检测方法，其特征在于：所述目标候选网络在所述Squeeze VGG-16卷积神经网络基础上，根据卷积层特征，在Fire9、Fire12、conv6以及增加的pooling层，产生网络分支，以进行不同尺度检测到物体的候选框的回归。

4.如权利要求2所述的一种快速行人检测方法，其特征在于：所述目标检测网络在所述目标候选区域的基础上，将目标候选区域预设倍数大小的图片区域作为目标的背景语义信息，将Fire9层的特征图进行一次上采样，作为增强对小物体感知的信息，并将背景语义信息与上采样信息经过感兴趣区域的池化获得固定大小的特征，之后增加一层全连接层，进行类别和最终候选框的回归。