[发明专利]基于深度卷积神经网络的行人检测方法

权利要求书

1.一种基于深度卷积神经网络的行人检测方法，包括如下步骤：

(10)样本集收集：将收集到的样本集图像分为训练样本集图像与测试样本集图像两类；

(20)样本图像预处理：对训练样本集图像和测试样本集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余训练样本灰度图像和低冗余测试练样本灰度图像；

(30)深度卷积网络模型获取：利用低冗余训练样本灰度图像，采用连续dropout策略，对深度卷积网络进行训练，利用测试集样本灰度图像对深度卷积网络进行测试，得到深度卷积网络模型；

(40)行人检测：利用深度卷积网络模型，对从使用现场获取的图像进行行人检测；

所述(20)样本图像预处理步骤包括：

(21)尺寸变换：将训练样本集图像和测试样本集图像均变换成32×32像素图像；

(22)对比度归一化：将尺寸变换后的训练样本集图像和测试样本集图像进行对比度归一化；

(23)白化处理：将对比度归一化后的训练样本集图像和测试样本集图像进行白化处理，得到低冗余训练样本灰度图像和低冗余测试练样本灰度图像；

所述(22)对比度归一化步骤具体为，根据下式对尺寸变换后的训练样本集图像和测试样本集图像进行对比度归一化：

式中，I表示原图像，表示归一化后的图像，μ和σ分别为图像均值和标准差，C为常数；所述(23)白化处理步骤具体为，根据下式对比度归一化后的训练样本集图像和测试样本集图像进行白化处理：

式中，x_rot,i为训练样本集数据x_i经过主分量分析变换后的数据，l_i为分析变换后的数据对应特征值；

所述(30)深度卷积网络模型获取步骤包括：

(31)网络参数确定：根据神经网络实验，确定网络参数，包括卷积层数、特征图数量、激活函数；

(32)网络训练：利用低冗余训练样本集灰度图像，对深度卷积网络进行训练，在前馈过程与权值调整过程中采用连续dropout策略，得到深度卷积网络模型；

(33)网络模型测试：通过测试样本集图像对深度卷积网络模型进行性能测试；

其特征在于，所述(32)网络训练步骤包括：

(321)网络前馈:根据下式实现基于连续dropout策略的深度卷积网络前馈：

r＝epoch*n+m,

r→mask,

y^l+1＝f(z^l+1).

式中，r表示dropout值，z^l表示l层的输入，y^l表示l层的输出，w表示网络连接权值，b为偏置，f(·)为激活函数，epoch表示训练次数，n和m为分别用来调整dropout概率下降的幅度和初始值；

dropout值r设置为随着训练次数而改变的动态值，mask为根据dropout值产生的神经元抑制或激活状态，表示l层的输出y^l与dropout掩膜值mask进行掩膜计算的结果；

(322)权值调整:根据下式对根据dropout值产生的神经元抑制或激活状态进行权值调整：

δ^l＝w^l+1·δ^l+1·f′(z^l)·mask,

Δw^l＝Δw^l+δ^l+1(y^l)^T,

Δb^l＝Δb^l+δ^l+1,

式中，d为神经元灵敏度，D w为权值增量，D b为偏置增量，k为样本数量，h为学习率，l为权重衰减系数。