[发明专利]基于深度学习的遮挡行人检测方法

摘要

本发明公开了一种基于深度学习的遮挡行人检测方法。主要解决现有技术对遮挡行人检测效果差的问题。其实现方案是：读取行人检测数据库数据，使用VGG网络提取特征；将VGG网络不同层提取的特征进行融合，得到融合特征，并将VGG网络最后一层特征作为非融合特征；构建掩码网络，将融合特征和非融合特征分别输入到掩码网络中，得到两种有缺失的卷积特征；构建判别网络，将掩码网络得到的两种特征输入到判别网络，选择出更有效的特征；使用选择出的特征获得候选区域，通过候选区域，得到最终的检测结果。本发明提高了对遮挡行人的检测效果，可用于无人驾驶与辅助驾驶。

主权项

1.一种基于深度学习的遮挡行人检测方法，其特征在于，包括：(1)读取行人检测数据库数据，使用VGG卷积神经网络提取数据的卷积特征，将VGG卷积神经网络不同层提取的特征进行叠加融合，得到融合特征，并将VGG网络最后一层特征作为非融合特征；(2)构建掩码网络，将融合特征和非融合特征分别输入到该掩码网络中，得到两种对行人表达效果不佳的卷积特征；(3)构建由掩码网络、RPN网络和softmax分类器组成的判别网络，将(2)得到的两种卷积特征分别输入到RPN网络中得到两种可能含有行人目标的候选区域，将该候选区域输入到softmax分类器中，得到两种概率得分，这两种概率得分的数值均在0到1之间；根据概率得分选择输出对于遮挡下的行人目标更为有效的卷积特征，当融合特征得到的概率得分高于非融合特征得到的概率得分时，输出融合特征，反之，则输出非融合特征；(4)根据(3)中输出的特征，得到回归边界和分类概率：4a)将(3)中输出的特征输入到RPN网络中，得到行人目标的候选区域，把候选区域映射到VGG卷积神经网络的卷积特征层中，得到每个候选区域在卷积特征层中对应的卷积特征；4b)将4a)得到的卷积特征输入到两个全连接层中，得到数千个分类概率，其中每一个分类概率都有其对应的回归边界；(5)根据4b)得到的回归边界和分类概率，通过损失函数L对VGG卷积神经网络、判别网络和RPN网络进行训练，得到最终的网络模型：5a)利用损失函数L包括的分类概率损失子函数L_cls和回归边界损失子函数L_reg，计算分类概率损失子函数L_cls和回归边界损失子函数L_reg；5b)根据分类概率损失子函数L_cls和回归边界损失子函数L_reg的值，计算得到损失函数L；5c)通过逐步迭代减小损失函数L的值，完成对VGG卷积神经网络、判别网络和RPN网络的训练，得到最终的网络模型；(6)将待检测的图像输入到最终的网络模型中，得到数千个待检测图像的分类概率，其中每个分类概率都有其对应的回归边界；保留大于设定阈值的分类概率，并将这些分类概率对应的回归边界映射到待检测的图像中，得到一个或多个矩形框，即为最终的检测结果。