个部位的可视性：
[0030] hlp=d{clp + gl/p) (3)
[0031] hl；l = S{(h!)Tw^+Clp+l+g l；ls1；1), /=1,2 (4)
[0032] y = S((Pfwch + b) (5)
[0033] 其中，&表示第P个部位在所述遮挡处理层的第1层上的得分图，$表示&的 权重矩阵，< 表示&的偏置，?表示第P个部位在所述遮挡处理层的第1层上的可视性， 〇 (tMl+expK))' <表示第P个部位在所述遮挡处理层的第1子层上可视性，用W1表 示h1和h 1+1之间的传递矩阵，表示W1的第j列，Wds表示隐含变量P的线性分类器的参 数，（x)T表示矩阵X的转置，夕表示所述卷积神经网络的输出结果。
[0034] 本发明第二方面提供一种卷积神经网络，包括：
[0035] 特征提取层，用于根据提取图像中检测区域的像素值，对所述检测区域的像素值 进行预处理，并对所述预处理后的图像进行特征提取，得到所述检测区域的特征图；
[0036] 部位检测层，用于通过M个过滤器分别检测所述检测区域的特征图，输出所述检 测区域的M个部位对应的响应图，每个过滤器用于检测一个部位，每个部位对应一个响应 图；
[0037] 形变处理层，用于根据所述M个部位对应的响应图分别确定所述M个部位的形变， 并根据所述N个部位的形变确定所述M个部位的得分图；
[0038] 遮挡处理层，用于根据所述M个部位的得分图确定所述M个部位对应的遮挡；
[0039] 分类器，用于根据所述遮挡处理层的输出结果，确定所述检测区域内是否有目标 物体。
[0040] 在本发明第二方面的第一种可能的实现方式中，所述特征提取层包括三个通道， 分别为第一通道、第二通道、第三通道；
[0041] 其中，所述第一通道的输出数据对应所述检测区域内的YUV像素值的Y通道数 据；
[0042] 所述第二通道，用于将所述检测区域的大小缩小为原大小的四分之一，并将所述 缩小后的检测区域转换成YUV格式，通过Sobel边缘算子过滤所述转换为YUV格式的检测 区域，分别得到所述检测区域在Y、U、V三个通道上第一边缘图，所述Y、U、V通道分别对应 一个第一边缘图，取所述三个第一边缘图中各位置上的最大值，组成一个第二边缘图，所述 三个第一边缘图以及第二边缘图大小相同，都为所述检测区域的四分之一大小，将所述三 个第一边缘图和所述第二边缘图的拼接图作为所述第二通道的输出数据；
[0043] 所述第三通道，用于将所述检测区域的大小缩小为原大小的四分之一，并将所述 缩小后的检测区域转换成YUV格式，通过Sobel边缘算子过滤所述转换为YUV格式的检测 区域，分别得到所述检测区域在Y、U、V三个通道上的第一边缘图，所述Y、U、V通道分别对 应一个第一边缘图，生成一个第三边缘图，所述第三边缘图各位置的数据为〇,所述三个第 一边缘图以及第三边缘图大小相同，都为所述检测区域的四分之一大小，将所述三个第一 边缘图和所述第三边缘图的拼接图作为所述第三通道的输出数据。
[0044] 在本发明第二方面的第二种可能的实现方式中，所述部位检测层包括三个子层， 分别为第一子层、第二子层和第三子层，所述部位检测层的第一子层包括Ml个过滤器，所 述部位检测层的第二子层包括M2个过滤器，所述部位检测层的第三子层包括M3个过滤器， 其中，M1+M2+M3=M ;
[0045] 所述部位检测层的第一子层，用于通过Ml个过滤器分别检测所述检测区域内的 Ml个部位，得到Ml个响应图；
[0046] 所述部位检测层的第二子层，用于通过M2个过滤器分别检测所述检测区域内的 M2个部位，得到M2个响应图；
[0047] 所述部位检测层的第三子层，用于通过M3个过滤器分别检测所述检测区域内的 M3个部位，得到M3个响应图。
[0048] 在本发明第二方面的第三种可能的实现方式中，所述形变处理层具体用于：
[0049] 所述形变处理层根据所述M个部位对应的响应图，分别按照公式（1)得到所述第P 个部位的形变得分图：
[0050] Bp ^YjDnpCtup ( 1 ) n=\
[0051] 其中，Bp表示第P个部分的形变得分图，I < P < M，Mp表示所述第P个部分对 应的响应图，N表示所述第p个部位的限制条件，Dn， p表示第η个限制条件对应的得分图， I < η < N，Cn，p表示第η个限制条件对应的权重；
[0052] 所述形变处理层根据所述形变得分图，按照公式（2)确定所述第P部位的得分图：
[0053] 5V = HiaxB(^v) (2) (W)
[0054] 其中，4''"表示（X，y)位置上Bp的值。
[0055] 在本发明第二方面的第四种可能的实现方式中，所述遮挡处理层包括三个子层， 分别为第一子层、第二子层、第三子层；
[0056] 所述遮挡处理层的第一子层、第二子层、第三子层分别按照公式（3)、（4)、（5)计算 所述各个部位的可视性：
[0057] H1p=Sicx1^gyp) (3)
[0058] ^+1 wl^ + C^ + g；：1^：1), /=1, 2 (4)
[0059] y = S{{h')' wll" + b) (5)
[0060] 其中，4表示第P个部位在所述遮挡处理层的第1层上的得分图，4表示4的 权重矩阵，< 表示4的偏置，?表示第P个部位在所述遮挡处理层的第1层上的可视性， O (tMl+expK))' <表示第P个部位在所述遮挡处理层的第1子层上可视性，用W1表 示h1和h1+1之间的传递矩阵，表示W1的第j列，Wds表示隐含变量ρτ的线性分类器的 参数，0〇7表示矩阵X的转置，表示所述卷积神经网络的输出结果。本发明实施例提供一 种(方法主题)，包括：
[0061] 本发明实施例的卷积神经网络和基于卷积神经网络的目标物体检测方法，由联合 了优化特征提取、部位检测、形变处理、遮挡处理和分类器学习为一体的统一的卷积神经网 络模型，通过形变处理层使得卷积神经网络能够学习目标物体的形变，并且形变学习和遮 挡处理进行交互，这种交互能提高提高分类器根据所学习到的特征分辨目标物体和非目标 物体的能力。
【附图说明】
[0062] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
[0063] 图1为现有技术一的行人检测方法示意图；
[0064] 图2为现有技术二的行人检测的方法示意图；
[0065] 图3为本发明基于卷积神经网络的目标物体检测方法一个实施例的流程图；
[0066] 图4为本发明检测身体各个部位的过滤器的示意图；
[0067] 图5部位检测层检测得到的结果示意图；
[0068] 图6为形变处理层的操作流程示意图；
[0069] 图7为遮挡处理层的处理过程示意图；
[0070] 图8为本发明目标物体检测结果示意图；
[0071] 图9本发明总体模型示意图；
[0072] 图10为本发明卷积神经网络一个实施例的结构示意图；
[0073] 图11为本发明卷积神经网络又一个实施例的结构示意图；
【具体实施方式】
[0074] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人