[发明专利]基于深度卷积神经网络的行人检测方法

说明书

本发明公开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：将样本集图像分为训练集与测试集；(20)样本图像预处理：对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，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，对使用现场图像进行行人检测。本发明的基于深度卷积网络的行人检测方法，通过连续dropout策略，在保持网络训练精度的同时，获得更好的泛化能力，从而在行人检测中得到更高的正确率。

技术领域

本发明属于图像识别技术领域，特别是一种训练收敛速度快、泛化能力强的基于深度卷积神经网络的行人检测方法。

背景技术

在计算机视觉领域，行人检测是一项非常重要的研究内容，被广泛应用在汽车自主驾驶，公共场所人流监控等场景。

传统的行人检测技术是通过人工设计特征，如HOG-特征，训练分类器来进行行人检测。面对检测对象的场景变化和数量剧增，人工设计特征的代价太大，无法满足实时性要求和鲁棒性。

2006年以来，深度学习迅速发展，在图像分类、模式识别和视频监控等领域得到广泛应用。深度卷积神经网络，作为深度学习的一种，在行人检测中取得重大突破，识别率超过传统技术。深度卷积神经网络由于其结构的特殊性，能够自动提取特征并进行识别，免去传统技术中复杂的人工特征设计，因而传统行人检测技术被逐渐替代。

目前用于行人检测的深度卷积神经网络，主要有两个方面改进：深度和宽度。通过增加网络的深度，能够提取出更加抽象的特征，进而得到更好的行人特征表示，如中国发明专利申请(申请号：201610315688.1，公开日：2016.10.12)“一种端到端的卷积神经网络的行人检测方法”采用18层的网络来构建端到端的行人检测框架，通过迁移VGG-16预训练参数，使得网络得到较好的检测效果。增加网络的宽度，能够使得每一层的特征表示更加丰富，从而使得网络具有更好的非线性表示能力。中国发明专利申请(申请号：201610954990.1，公开日：2017.4.19)“基于深度网络的多尺度行人检测方法”采用三列并联网络结构，将多尺度网络进行合并，增加网络深度的同时，充分挖掘图像中不同尺寸行人的特征。

然而，随着卷积神经网络深度和宽度的增加，网络参数成指数倍增长，网络训练的复杂度急剧增加，使得网络容易产生过拟合现象。上述两个专利并未提及如何减小过拟合现象。目前，减小过拟合现象效果最好的方法是引入dropout。Dropout能够增加网络的泛化能力，但dropout策略的引入，将会使网络的可训练性降低，训练迭代的次数增加，甚至无法收敛。一般来说，模型的泛化能力越强，网络训练精度会有一定下降；相反，网络精度越高，泛化能力会有一定下降。如何平衡训练过程中泛化能力和网络可训练性之间的关系是一个值得探究的问题，目前在学术期刊和发明专利中都没有提出过此问题的解决方案。

综上所述，现有技术存在的问题是：基于深度卷积神经网络行人检测时，为增强卷积网络的泛化能力引入dropout策略时，可能导致网络的可训练性下降。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的行人检测方法，通过连续dropout策略，在保持网络可训练性的同时，获得更好的泛化能力。

实现本发明目的的技术解决方案为：

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；