[发明专利]一种基于区域候选的粗精行人检测方法

权利要求书

1.一种基于区域候选的粗精行人检测方法，其特征在于：包括粗检测阶段和精细 检测阶段，所述粗检测阶段还包括以下步骤，

运用局部无关通道特征方法对粗训练样本的待检测图片进行粗检测；

筛选出在所述粗训练样本上漏检掉的标签目标框；

对漏检的所述标签目标框进行聚类分析，设置标签尺度与长宽比；

利用所述尺度与长宽比训练区域候选网络；

图片输入训练好的所述区域候选网络输出的检测结果与所述局部无关通道特征方法训练的一分类器输出的粗检测结果进行融合，得到粗检测结果；

所述精细 检测阶段包括 以下步骤：

对所述粗训练样本行人图像提取不同的特征通道；

进一步对所述特征通道提取颜色自相似特征和卷积通道特征；

利用所颜色自相似特征和所述卷积通道特征进行融合训练得到三分类器，输出相应检测结果。

2.如权利要求1所述的基于区域候选的粗精行人检测方法，其特征在于：所述粗检测结果生成包括以下步骤，

对所述粗训练样本的行人图像提取不同的特征通道；

应用所述局部无关通道特征方法提取特征并训练所述一分类器；

通过训练好的所述一分类器对图像进行粗检测，生成粗检测结果。

3.如权利要求1或2所述的基于区域候选的粗精行人检测方法，其特征在于：所述区域候选网络通过在卷积操作后生成的特征图，在所述特征图上选取候选区域，且所述区域候选网络通过选接收待检测图片作为输入，输出一系列带有对应得分值的矩形目标候选框。

4.如权利要求3所述的基于区域候选的粗精行人检测方法，其特征在于：包括以下步骤，

所述卷积操作的网络选用VGG-16网络的13个卷积层；

输入图片经过卷积层提取特征，利用小型网络在前面得到的特征图上得到不同尺度与比例的滑动窗口，并将窗口都映射到维度更低的特征，包括映射到512维的特征；

通过两个全连接层对前面生成的窗口进行有效地分类和回归。

5.如权利要求4所述的基于区域候选的粗精行人检测方法，其特征在于：所述区域候选网络训练的损失函数定义如下：

其中i表示目标候选框的序号，p_i则是第i个目标候选框是行人目标的概率，当第i个目标候选框认定为目标时，p_i^*为1反之为0，t_i表示预测的坐标，t_i^*表示真实目标的坐标。

6.如权利要求4或5所述的基于区域候选的粗精行人检测方法，其特征在于：所述区域候选网络训练过程中将与标签目标框有最大交并比或与真实目标框的重叠度大于0.7的样本作为正样本，而与真实目标框的重叠度小于0.3的样本作为负样本。

7.如权利要求6所述的基于区域候选的粗精行人检测方法，其特征在于：所述精细检测阶段还包括以下步骤，

将所述粗检测阶段提取特征通道生成的行人和背景图片作为所述精细检测阶段的精细训练样本；

根据所述精细训练样本训练VGG-16网络，然后训练一个精细的Adaboost分类器作为二分类器；

并将所述二分类器与所述三分类器相结合，共同作为所述精细检测阶段的分类检测器。

8.如权利要求7所述的基于区域候选的粗精行人检测方法，其特征在于：还包括检测阶段，所述检测阶段将测试样本图像通过局部无关通道特征方法和区域候选网络得到候选目标框，并将所述候选目标框输入所述精细检测阶段的分类检测器中进行精确分类，得出行人标签目标框检测结果。

9.如权利要求7或8所述的基于区域候选的粗精行人检测方法，其特征在于：所述根据精细训练样本训练的VGG-16网络利用步长为2的空洞卷积层代替其最后两个池化层做下采样操作，在降低特征图尺寸的同时增大感受野。