[发明专利]一种融合图像预处理与深度学习目标检测的人头检测方法

权利要求书

1.一种人头检测方法，其特征是，包括：

实时获取监控图像数据；

对获取到的监控图像数据进行预处理；

将预处理后的监控图像数据输入至预先训练的神经网络，得到监控图像数据中的待选区域anchor及其对应的偏移值与置信度；所述神经网络为深度学习神经网络，其训练样本为根据图像数据中待选区域anchor与人头标定区域ground-truth的交并比选择出anchor正负样本，且正样本具有偏移标签和置信度标签，负样本具有置信度标签的图像数据集；

根据神经网络输出的anchor的置信度，选择存在目标的anchor；

根据神经网络输出的anchor的偏移值，计算对应相应目标的预测边界框的位置和大小；

将预测边界框按照其位置和大小在监控图像数据中画出，即得到结果图像；

输出结果图像以及图像中检测到的人头数量，所述人头数量即为图像中预测边界框的数量。

2.根据权利要求1所述的方法，其特征是，神经网络的训练步骤包括：

采集多个历史监控图像，组成图像数据集；

对图像数据集中的各监控图像进行标注，标注出图像中所有人头的位置信息作为人头标定区域ground-truth；

确定神经网络所使用的anchor的大小；

对于各监控图像，分别选择用于训练的anchor正负样本；

对于各选出的正负样本，分别生成训练所需的标签，正样本标签包括偏移值标签和置信度标签，负样本标签包括置信度标签；

搭建神经网络模型，配置神经网络模型参数，使用Adam优化器，设计损失函数；

将监控图像数据输入神经网络，利用图像对应的偏移值标签和置信度标签计算损失函数，使用优化器对损失函数的参数进行反向传播，优化模型参数。

3.根据权利要求1或2所述的方法，其特征是，神经网络的神经网络层采用卷积层，池化层由步长为2的卷积核代替，利用上采样和融合机制，最终生成两个大小不同的特征图用于目标检测。

4.根据权利要求3所述的方法，其特征是，anchor的大小计算公式为：

anchor_size＝layer_stride*aspect_ratio*anchor_scale

其中，layer_stride为下采样的倍数，aspect_ratio为anchor的宽高比，anchor_scale为anchor在特征图上的尺度scale。

5.根据权利要求4所述的方法，其特征是，对于40*30的大特征图，下采样倍数layer_stride为16，aspect_ratio设为1，anchor_scale设置为2和4；对于10*8的小特征图，layer_stride为64，aspect_ratio为1，anchor_scale为2和4。

6.根据权利要求2所述的方法，其特征是，所述选择用于训练的anchor正负样本为：

将ground-truth与anchor的交并比大于等于0.7的anchor，或ground-truth与anchor具有最大交并比的anchor标记为正样本；

将ground-truth与anchor的交并比小于等0.3的anchor标记为负样本；

正负样本数量的比例为1:1。