一种基于深度学习的行人检测方法技术

本发明专利技术涉及行人检测系统技术领域，具体涉及一种基于深度学习的行人检测方法。包括以下步骤：S1布置摄像机，获取当前分析场景的视频录像，对录像中的行人进行包围框标注，作为深度学习的训练数据集；S2根据训练数据集中行人在图像中各个位置的像素宽度和高度计算出相应的行人像素宽度矩阵W和行人像素高度矩阵H；S3利用矩阵W和矩阵H计算图像中各个区域位置的锚点框的尺度Scale和长宽比Ratio；S4进行深度学习Faster Rcnn模型训练；S5：获取每个行人的位置坐标和宽高，采用训练好的Faster Rcnn模型统计当前场景的总人数或局部密度。本发明专利技术提高了检测准确度，降低了误检。

【技术实现步骤摘要】
一种基于深度学习的行人检测方法
本专利技术涉及计算机视觉和深度学习领域，尤其涉及安防监控、智能视频分析的行人检测系统
，具体涉及一种基于深度学习的行人检测方法。
技术介绍
随着计算机科学技术的飞速发展，应用计算机视觉技术自动对监控场景中的行人目标进行智能分析，逐渐成为研究热点。通过行人检测，可以进行高密度状态报警，统计行人流量等，来取代传统人力监控值守。近些年来，深度学习神经网络取得了跨越式发展，逐步取代了传统目标检测方法。传统算法往往需要根据特定的领域进行手工设计特征，而且一般只能检测出某一类别。深度学习通过大规模样本集的监督学习，让深度神经网络自动学习目标特征，不但比传统算法精度更高而且还可以同时检测多类目标。目前基于深度学习的目标检测方法分为两类，一种是基于一步法的目标检测方法，其直接从图像回归出目标的位置坐标，例如SSD，YOLO等，但这类算法往往对小目标检测精度不高，会发生大量漏检；另外一种是基于两步法的目标检测方法，例如Faster-RCNN等，此类算法首先通过基础网络对图像提取特征图，然后通过RPN网络生成候选区域，再通过分本文档来自技高网...

【技术保护点】
1.一种基于深度学习的行人检测方法，其特征在于：包括以下步骤：/nS1：在需要分析的场景处布置摄像机，获取当前分析场景的视频录像，对录像中的行人进行包围框标注，并存储行人标注数据文件，作为深度学习的训练数据集；/nS2：根据训练数据集中行人在图像中各个位置的像素宽度和高度计算出相应的行人像素宽度矩阵W和行人像素高度矩阵H；/nS3：利用行人像素宽度矩阵W和行人像素高度矩阵H计算图像中各个区域位置的锚点框的尺度Scale和长宽比Ratio；/nS4：在当前场景图像数据集进行深度学习Faster Rcnn模型训练，得到训练好的FasterRcnn模型的权重参数；/nS5：对当前场景部署行人检测系统...

【技术特征摘要】
1.一种基于深度学习的行人检测方法，其特征在于：包括以下步骤：
S1：在需要分析的场景处布置摄像机，获取当前分析场景的视频录像，对录像中的行人进行包围框标注，并存储行人标注数据文件，作为深度学习的训练数据集；
S2：根据训练数据集中行人在图像中各个位置的像素宽度和高度计算出相应的行人像素宽度矩阵W和行人像素高度矩阵H；
S3：利用行人像素宽度矩阵W和行人像素高度矩阵H计算图像中各个区域位置的锚点框的尺度Scale和长宽比Ratio；
S4：在当前场景图像数据集进行深度学习FasterRcnn模型训练，得到训练好的FasterRcnn模型的权重参数；
S5：对当前场景部署行人检测系统，获取每个行人的位置坐标和宽高，采用训练好的FasterRcnn模型统计当前场景的总人数或局部密度。


2.根据权利要求1所述的一种基于深度学习的行人检测方法，其特征在于：所述步骤S2包括以下步骤：
S21：读取本地存储的行人标注数据文件；
S22：创建行人像素宽度矩阵W和行人像素高度矩阵H，行人像素宽度矩阵W和行人像素高度矩阵H的维度分别对应摄像机图像的像素宽度和高度；
S23：若训练数据集图像中某个像素点为行人包围框的中心点，则将此包围框的像素宽度值和像素高度值分别写入到行人像素宽度矩阵W和行人像素高度矩阵H的相应位置；若行人像素宽度矩阵W和行人像素高度矩阵H相应位置已经存在数值，则计算写入值与存储值的加和平均值，然后再写入行人像素宽度矩阵W和行人像素高度矩阵H相应位置；
S24：检查上述步骤得到的行人像素...

【专利技术属性】
技术研发人员：陈凌霄，廖宏，肖杨，杜奕霖，杨程，彭一峰，黄铭斌，
申请(专利权)人：广西计算中心有限责任公司，
类型：发明
国别省市：广西;45