[发明专利]一种基于深度学习的小人头检测方法

说明书

本发明公开了一种基于深度学习的小人头检测方法，包括下述步骤：(1)采集大量图像形成训练集和测试集；(2)对训练集和测试集进行精准贴边的人头标注；(3)利用R‑FCN框架，构造深度卷积神经网络，然后利用训练集图像并采用批量训练的随机梯度下降法对所构造的深度神经网络进行训练；(4)基于视觉透视变换对测试图像进行切割再部分放大；(5)将切割并放大后的测试图像，输入步骤(3)所构造的深度卷积神经网络，神经网络输出结果通过Softmax激活函数得到每个预测框的概率分布，计算最小损失函数，根据最小损失函数输出检测结果。本发明通过深度学习算法从图片样本中自动学习出人头与其它背景的不同特征，能够智能的对密集的小人头进行检测。

技术领域

本发明涉及模式识别与人工智能技术领域，特别涉及一种基于深度学习的小人头检测方法。

背景技术

随着计算机技术的快速发展和安全意识的增强，监控摄像头在安防方面有重要的作用。同时小人头检测在监控安全，智慧教室，智能交通等各行各业也有了广泛的运用，人们对小人头检测的精度也有更高的要求。小人头检测的应用具有很大的便利，因此提高小人头检测的准确性具有重要意义。

卷积神经网络是人工神经网络的一种，是为了识别二维形状而设计的多层感知器这种网络结构平移，比例缩放，倾斜或者其他形式的变形具有不变性，已经成为当前语音和图像识别领域的研究热点。卷积神经网络类似于生物神经网络，具有权值共享网络结构，大大降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的比较明显，图像可以作为网络输入，避免了传统识别算法复杂特征提取和数据重建过程。

近几年来，卷积神经的研究工作不断深入，已经取得了很大的进展，其在语音和图片领域解决了许多问题表现出了良好的智能特性。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于深度学习的小人头检测方法，该方法能够学习检测出人头特征从而更好的检测不同角度，不同像素的人头，具有效率高、识别率高的特点。

为实现以上目的，本发明采取如下技术方案：

一种基于深度学习的小人头检测方法，包括下述步骤：

(1)获取数据：采集不同室内场景的大量图像形成训练集和测试集；

(2)对所述训练集和测试集图像进行精准贴边的人头标注；

(3)利用R-FCN框架，构造深度卷积神经网络，然后利用训练集图像并采用批量训练的随机梯度下降法对所构造的深度神经网络进行训练，设定网络初始参数及迭代更新方式；

(4)对测试集图像进行变换处理，具体为：基于视觉透视变换对测试集图像进行聚类切割再部分放大；

(5)将变换处理后的测试集图像输入步骤(3)训练完成的深度卷积神经网络，得到概率分布，再通过计算损失函数，输出识别结果。

作为优选的技术方案，在步骤(1)中，通过采集课室内监控以及网络爬虫后再通过人工筛选出复杂的图像样本来获得数据，在所形成的训练集中，人头样本包括不同角度不同人数的大小人头，部分遮挡人头，重叠人头的正、侧、后部和顶部。

作为优选的技术方案，步骤(2)中，通过人工严格标注，将训练集和测试集图像放大到原来的5倍，并紧贴人头边缘进行标注。

作为优选的技术方案，步骤(3)中，利用R-FCN框架，构造深度卷积神经网络，具体过程如下：

基于R-FCN框架，将图像输入宽为W_train，高为H_train的图像作为训练图像；

构造深度卷积神经网络，该网络包括：输入层、13个卷积层、RPN部分、RoI部分和输出层，其中，每个卷积层紧跟一个RELU激活层，在第二、第四、第七、第十、第十三个RELU激活层后紧跟一个池化层；