[发明专利]基于级联卷积网络的小尺度行人检测识别方法

摘要

本文提出基于级联卷积网络的小尺度行人检测识别方法。该方法包括：提出一种新的正样本采集方法，基于anchors聚类结果随机选择样本尺寸，在标记样本中采集正样本训练集，增加正样本数量，提升检测性能；使用级联深度卷积神经网络，通过多任务学习来联合训练识别和定位这；设计轻量级CNN架构，在保持大尺度行人识别精度基础上提升小尺度行人识别准确性。本发明致力于提高小尺度行人的检测识别率，使得行人检测能够适应多种尺度变化和复杂环境。

主权项

1.基于级联卷积网络的小尺度行人检测识别方法，其特征在于步骤如下：一.anchors聚类因为Caltech训练数据集中存在行人遮挡面积超过50％，高度小于30像素或者宽度小于15像素的行人，首先过滤掉上述情况的样本标记，对筛选后的Caltech训练数据集标注样本进行IOU聚类；通过聚类结果，选择出Caltech Dataset的anchors；二.样本采集通过上一步anchors聚类选择出anchors，在Caltech Dataset标记图片中的标记位置上随机选择级联网络输入比例的样本大小分别为24x12,48x24，96x48；包括负样本、正样本、部分行人样本，并生成其label信息；三.训练行人检测的级联网络级联卷积网络结构，包括Rough Network，即R‑Net为生成候选框的网络，Considerate‑Net，即C‑Net为筛选候选框的网络，Verify‑Net，即V‑Net为确认最后检测结果的网络；三个网络输入大小设计为：24x12,48x24,96x48；分别用采集到24x12,48x24，96x48不同比例的样本训练R‑Net，C‑Net，V‑Net三个网络；四.测试行人检测的级联网络对给定待检测图像，首先将其调整到不同的比例，构建图像金字塔；输入全卷积网络R‑Net，用于获取行人的候选窗口及其边界框的回归向量；并在候选边界框的回归向量基础上进行校准，再利用非最大抑制NMS进行候选框过滤；对上述所有候选框都输入到C‑Net，进一步过滤掉大量错误的候选框，并校准边界框的回归向量进行NMS；使用V‑Net进一步识别目标区域，并输出最后的识别概率和回归向量。