[发明专利]基于显著性检测和卷积神经网络的行人检测方法及装置

摘要

本发明提供了基于显著性检测和卷积神经网络的行人检测方法，该方法包括：选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；采集场景彩色图像；采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果。与现有技术相比，本发明能快速地检测场景中的行人，且鲁棒性较好。

主权项

1.基于显著性检测和卷积神经网络的行人检测方法，其特征在于，该方法包括：第一步骤，选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；第二步骤，采集场景彩色图像；第三步骤，采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；及第四步骤，利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果；其中，所述第三步骤包括：高斯滤波处理步骤，对场景彩色图像进行高斯滤波处理，获取高斯图像I_G(x,y)，其中(x,y)为图像的像素点；色彩空间计算步骤，将场景彩色图像转换到CIELAB色彩空间，并计算L分量、A分量、B分量的平均值M、N分别为场景彩色图像的宽度和高度，L(x,y)、A(x,y)、B(x,y)分别为CIELAB色彩空间像素点(x,y)的L分量、A分量、B分量的亮度值；显著图获取步骤，计算高斯图像I_G与μ_L、μ_A、μ_B的欧几里得距离得到显著图S(x,y)＝[I_G(x,y)‑μ_L]²+[I_G(x,y)‑μ_A]²+[I_G(x,y)‑μ_B]²；中值滤波处理步骤，对显著图S(x,y)进行中值滤波处理，获取中值滤波处理后的显著图S′(x,y)；显著区域获取步骤，利用迭代算法计算分割阈值ST，利用分割阈值ST分割中值滤波处理后的显著图S′(x,y)，获取显著区域SR_k，k＝1，2，…，SNum，SNum为显著区域的个数；显著区域筛选步骤，统计显著区域SR_k内前景点的总数FSum_k，若FSum_k＜Th_FSum，则删除该显著区域，将该显著区域内的前景点置为背景点；行人的候选区域输出步骤，将剩余的显著区域作为行人的候选区域并输出；其中，Th_FSum为前景点数量阈值，Th_FSum∈[10,50]。