[发明专利]基于多度量检测器的Cascade R-CNN行人检测方法

权利要求书

1.基于多度量检测器的Cascade R-CNN行人检测方法，其特征在于，包括以下步骤：

步骤A对行人图片进行尺寸标准化和归一化处理，划分训练集和测试集，并设置迭代次数和学习步长；

步骤B将带标注的行人图片训练集输入卷积神经网络，通过多度量检测器的CascadeR-CNN算法进行迭代训练，训练完所有训练数据后完成一个轮次的训练；

步骤C重复执行上述步骤B，直至达到设定的迭代轮次，把网络中的参数输出并保存，得到行人检测模型；

步骤D将待检测的行人图片输入行人检测模型，输出待检测行人图片的位置和置信度信息。

2.根据权利要求1所述的基于多度量检测器的Cascade R-CNN行人检测方法，其特征在于，所述步骤A中，设行人图片集为X，含每一条行人的标注为一个矩形标注框，其格式为(name,category,x_min,y_min,x_max,y_max)，name表示图片名称，category表示种类，(x_min,y_min)表示矩形标注框左上角的横纵坐标，(x_max,y_max)表示矩形标注框右下角的横纵坐标，对行人图片集X进行尺寸标准化和归一化处理，使所有图片均为H*W的RGB图片，H和W为图片的高和宽。

3.根据权利要求1所述的基于多度量检测器的Cascade R-CNN行人检测方法，其特征在于，所述步骤B中：基于多度量检测器的Cascade-RCNN算法包括特征提取主干网络、RPN模块、RoI Pooling模块与级联分类回归模块四个部分，分别用来完成提取特征图、生成较好的建议框、特征图和建议框池化综合以及预测RoI的分类和精修边框位置的功能；其中，特征提取主干网络采用卷积神经网络ResNet-101来搭建，RPN模块生成候选框，完成候选框的正负样本分类和候选框微调；RoI Pooling模块，把各种维度不同的RoI变换到维度相同的特征，以满足后续全连接网络的要求；级联分类回归模块使用基于多度量检测器的级联分类回归网络。