[发明专利]一种基于SSD红外图像行人检测的优化方法

权利要求书

1.一种基于SSD红外图像行人检测的优化方法，其特征在于：包括，

基于K-means聚类分析策略对图像中的目标框进行聚类分析；

通过迭代分析得到图像检测中最优的k值，并将default boxes的个数设为k；

利用IOU重叠度，即两框交集与并集的比值作为优化判别标准；

将MoblieNet V2网络替换VGG-16，构建优化模型；

所述优化模型引用所述优化判别标准进行检测优化。

2.根据权利要求1所述的基于SSD红外图像行人检测的优化方法，其特征在于：进行所述检测优化包括，

将红外行人图像输入网络中，经过不同的卷积层提取特征，共生成6个不同尺度的特征图；

在每个特征图上生成尺度大小不同的先验框，预测出包含目标的边界框，分别进行检测和分类；

通过非极大值抑制生成最终检测结果。

3.根据权利要求1或2所述的基于SSD红外图像行人检测的优化方法，其特征在于：所述VGG16包括，5组13个卷积层、5个最大池化层和3个全连接层，其中，所述卷积层的步长为1、卷积核为3×3、所述池化层步长为2、大小为2×2；

所述MoblieNet V2添加宽度缩放因子α，使得每层网络都变薄，输入通道由D变为αD，输出通道由K变为αK，计算量变为：

F×F×αD×N×N+1×1×αD×αK×N×N

其中，计算量和参数个数缩小为原来的α²。

4.根据权利要求3所述的基于SSD红外图像行人检测的优化方法，其特征在于：还包括，

所述MoblieNet为轻量级网络，采用深度可分解卷积将一个标准卷积分解为深度卷积和点卷积，其为2D卷积并作为卷积核深度为1的CNN卷积核，每个卷积核只对输入数据的一层做卷积运算，其计算量为：

F×F×D×N×N+1×1×D×K×N×N

其中，F为卷积核的维度，D为输入的深度，N为输入的宽度和高度，K为输出的深度。

5.根据权利要求4所述的基于SSD红外图像行人检测的优化方法，其特征在于：所述IOU重叠度包括，

d(box,centroid)＝1-IOU(box,centroid)

聚类目标函数定义如下：

其中，box为先验框，truth为真实框，k为先验框个数。

6.根据权利要求4所述的基于SSD红外图像行人检测的优化方法，其特征在于：包括，

所述优化模型预测的边界框l是由先验框和真实边界框计算得出的，如下：

l^cx＝(b^cx-d^cx)/d^w/variance[0] l^cy＝(b^cy-d^cy)/d^h/variance[1]

l^w＝log(b^w/d^w)/variance[2] l^h＝log(b^h/d^h)/variance[3]

其中，(d^cx,d^cy,d^w,d^h)为先验框参数，(b^cx,b^cy,b^w,b^h)为先验框对应的真实边界框参数，variance为超参数，用来调整检测值对l进行缩放。