【技术实现步骤摘要】
基于深度学习的行人检测方法、系统、装置及存储介质
本专利技术涉及深度学习
，尤其涉及一种基于深度学习的行人检测方法、系统、装置及存储介质。
技术介绍
行人检测就是计算机对于给定的图像和视频，判断出其中是否有行人，如果有还需要给出行人的具体位置。行人检测是行人跟踪，行为分析，行人身份识别辅助智能驾驶、智能监控、道路行人分析、客流统计分析、智能机器人等研究的基础和前提，一个好的行人检测算法能够为后者提供有力的支持和保障。近年来行人检测进入了快速发展阶段，深度学习算法被引入到行人检测中，利用深度学习学到的行人特征具有很强的层次表达能力和很好的鲁棒性，故越来越多地取代传统的诸如手工设计HOG、LBP特征、采用SVM或增强学习等算法而得到实际应用。目前常用的行人检测方法包括：背景差法、帧差法、光流法、模板匹配法和基于机器学习的方法等。前述四种方法都是基于图像处理技术的人体检测方法，然而这些方法在面对人体衣着、体形、人体姿势、人体遮挡、光照问题以及复杂背景等方面的问题时，所体现出来的准确率和鲁棒性很差。此外，现有的行人检测系统，还需要使用高清摄像机及相应的网络传输及图像...
【技术保护点】
1.一种基于深度学习的行人检测方法，应用于电子装置，其特征在于，所述方法包括：采集行人图像数据集，并将所述图像数据集按预设比例划分为训练图像和测试图像；创建卷积神经网络模型，并通过预训练模型对所述卷积神经网络模型的参数进行初始化；将所述训练图像输入初始化处理后的卷积神经网络模型中进行训练，直至所述卷积神经网络模型的实际输出与所述训练图像中的待标注目标之间的误差小于预设值，并形成行人检测模型；通过所述行人检测模型对所述测试图像进行行人检测及标注。
【技术特征摘要】
1.一种基于深度学习的行人检测方法，应用于电子装置，其特征在于，所述方法包括：采集行人图像数据集，并将所述图像数据集按预设比例划分为训练图像和测试图像；创建卷积神经网络模型，并通过预训练模型对所述卷积神经网络模型的参数进行初始化；将所述训练图像输入初始化处理后的卷积神经网络模型中进行训练，直至所述卷积神经网络模型的实际输出与所述训练图像中的待标注目标之间的误差小于预设值，并形成行人检测模型；通过所述行人检测模型对所述测试图像进行行人检测及标注。2.根据权利要求1所述的基于深度学习的行人检测方法，其特征在于，所述创建卷积神经网络模型的步骤包括：创建所述卷积神经网络模型的基础网络；将所述基础网络的卷积层输出的特征图送入RPN候选区域网络，确定所述特征图的候选区域；将所述卷积层输出的特征图和所述候选区域同时送入判别网络，获取定位行人目标的候选框；所述候选框用于对待检测图像中的行人进行框选定位。3.根据权利要求2所述的基于深度学习的行人检测方法，其特征在于，所述基础网络包括13个Conv卷积层、4个MaxPool池化层、2个FullConnectedq全连接层和1个Softmax层；并通过ImageNet数据集的预训练模型对所述Conv卷积层、所述MaxPool池化层及所述FullConnectedq全连接层的网络参数进行初始化。4.根据权利要求2所述的基于深度学习的行人检测方法，其特征在于，所述RPN候选区域网络包括3个Conv卷积层、1个Softmax层、1个bbox层以及1个Proposal层；所述判别网络包括1个ROIPooling层、4个FullConnectedq全连接层、1个Softmax层以及1个bbox层。5.根据权利要求1所述的基于深度学习的行人检测方法，其特征在于，将所述训练图像输入初始化处理后的卷积神经网络模型中进行训练，直至所述卷积神经网络模型的实际输出与所述训练图像中的待标注目标之间的误差小于预...
【专利技术属性】
技术研发人员：石磊，马进，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。