基于显著性检测和卷积神经网络的行人检测方法及装置与流程
本发明涉及图像处理、视频监控以及安防，特别涉及行人检测方法及装置。
背景技术：
行人检测是机器人视觉、车辆辅助驾驶、智能视频监控和人体行为分析等应用中的第一步，近年来也应用在航拍图像、受害者营救等新兴领域中，但行人兼具刚性和柔性物体的特性，外观一首穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉研究的热点和难点。
目前，基于机器学习的行人检测方法主要包括两个重要方面：特征描述算子和学习算法。特征描述算子包括：Haar、HOG(梯度方向直方图)、LBP(局部二值模式)、edgelet(边缘特征)以及shapelet等。学习算法有SVM(支持向量机)、Adaboost级联分类器、神经网络、以及深度学习等。其中深度学习由于其在图像分类、识别的优异特性，近年来基于深度学习的行人检测方法成为研究热点。
公开号为CN104063719A的中国发明专利申请公开了一种基于深度卷积网络的行人检测方法及装置，该方法包括：卷积神经网络训练步骤和行人检测步骤；其中卷积神经网络训练为：从图像库中选取多组样本图像数据；将一组样本图像数据送入多层神经卷积网络的输入层；计算神经卷积网络的中间层的输出矢量以及输出层的实际输出矢量得出中间层误差以及输出层误差；调整输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值；判断总误差函数值，并利用训练后的网络检测行人。公开号为CN105335716A的中国发明专利申请公开了一种基于改进UDN提取联合特征的行人检测方法，该方法包括：对原始输入图像中的人体的整体特征和头部特征进行不同的预处理；基于卷积神经网络CNN模型对预处理的图像提取人体整体特征；基于卷积神经网络CNN模型对预处理的图像的上1/3部分提取局部特征；对输出的类别概率进行加权平均得到最终概率值，根据最终概率值判断原始输入图像是否包含行人。
然而，上述行人检测方法运行时间较长、鲁棒性较差。
综上所述，目前迫切需要提出一种快速且鲁棒性较好的行人检测方法及装置。
技术实现要素：
有鉴于此，本发明的主要目的在于实现快速的行人检测，且鲁棒性较好。
为达到上述目的，按照本发明的第一个方面，提供了基于显著性检测和卷积神经网络的行人检测方法，该方法包括：
第一步骤，选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；
第二步骤，采集场景彩色图像；
第三步骤，采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；及
第四步骤，利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果。
所述第一步骤进一步包括：
样本选取步骤，选取Th_ped个标签的行人灰度图像作为正样本图像，选取Th_nonped个标签的非行人灰度图像作为负样本图像；
初步训练步骤，利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；
二次训练步骤，选取Th_Test个测试灰度图像，根据初步训练的模型对测试灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的行人分类模型。
所述初步训练步骤中卷积神经网络包括：输入层、Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。
所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。
所述二次训练步骤进一步包括：
训练特征提取步骤，根据初步训练的模型提取Th_Test个测试灰度图像的特征；
训练分类判定步骤，分别计算该测试灰度图像的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别；
反复训练步骤，计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取步骤和训练分类判定步骤，直至该模型收敛，收敛的模型即为训练好的行人分类模型。
所述第三步骤进一步包括：
高斯滤波处理步骤，对场景彩色图像进行高斯滤波处理，获取高斯图像IG(x,y)，其中(x,y)为图像的像素点；
色彩空间计算步骤，将场景彩色图像转换到CIELAB色彩空间，并计算L分量、A分量、B分量的平均值M、N分别为场景彩色图像的宽度和高度，L(x,y)、A(x,y)、B(x,y)分别为CIELAB色彩空间像素点(x,y)的L分量、A分量、B分量的亮度值；
显著图获取步骤，计算高斯图像IG与μL、μA、μB的欧几里得距离得到显著图S(x,y)＝[IG(x,y)-μL]2+[IG(x,y)-μA]2+[IG(x,y)-μB]2；
中值滤波处理步骤，对显著图S(x,y)进行中值滤波处理，获取中值滤波处理后的显著图S′(x,y)；
显著区域获取步骤，利用迭代算法计算分割阈值ST，利用分割阈值ST分割中值滤波处理后的显著图S′(x,y)，获取显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数；
显著区域筛选步骤，统计显著区域SRk内前景点的总数FSumk，若FSumk＜Th_FSum，则删除该显著区域，将该显著区域内的前景点置为背景点；
行人的候选区域输出步骤，将剩余的显著区域作为行人的候选区域并输出。
所述显著区域获取步骤进一步包括：
初始分割阈值选取步骤，计算中值滤波处理后的显著图S′(x,y)的平均灰度值ST，将ST作为初始分割阈值；
分割阈值更新步骤，提取S′(x，y)≥ST的像素点作为第一分割图像S′1(x,y)，提取S′(x，y)＜ST的像素点作为第二分割图像S′2(x,y)，分别计算S′1(x,y)、S′2(x,y)的平均灰度值ST1、ST2，
分割阈值迭代步骤，重复分割阈值更新步骤，若连续两次计算的ST的差值ΔST≤Th_ST，则转入显著区域分割步骤；
显著区域分割步骤，将S′(x，y)≥ST的像素点设置为前景点，S′(x，y)＜ST的像素点设置为背景点，利用连通区域方法进行处理，获取前景点的连通区域作为显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数。
所述第四步骤进一步包括：
检测特征提取步骤，根据训练好的行人分类模型提取行人的候选区域的特征；
检测分类判定步骤，分别计算该行人的候选区域的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别，输出判定结果。
按照本发明的另一个方面，提供了基于显著性检测和卷积神经网络的行人检测装置，该装置包括：
行人检测模型训练模块，用于选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；
彩色图像采集模块，用于采集场景彩色图像；
行人的候选区域获取模块，用于采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；及
行人检测输出模块，用于利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果。
所述行人检测模型训练模块进一步包括：
样本选取模块，用于选取Th_ped个标签的行人灰度图像作为正样本图像，选取Th_nonped个标签的非行人灰度图像作为负样本图像；
初步训练模块，用于利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；
二次训练模块，用于选取Th_Test个测试灰度图像，根据初步训练的模型对测试灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的行人分类模型。
所述初步训练模块中卷积神经网络包括：输入层、Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。
所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。
所述二次训练模块进一步包括：
训练特征提取模块，用于根据初步训练的模型提取Th_Test个测试灰度图像的特征；
训练分类判定模块，用于分别计算该测试灰度图像的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别；
反复训练模块，用于计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取模块和训练分类判定模块，直至该模型收敛，收敛的模型即为训练好的行人分类模型。
所述行人的候选区域获取模块进一步包括：
高斯滤波处理模块，用于对场景彩色图像进行高斯滤波处理，获取高斯图像IG(x,y)，其中(x,y)为图像的像素点；
色彩空间计算模块，用于将场景彩色图像转换到CIELAB色彩空间，并计算L分量、A分量、B分量的平均值M、N分别为场景彩色图像的宽度和高度，L(x,y)、A(x,y)、B(x,y)分别为CIELAB色彩空间像素点(x,y)的L分量、A分量、B分量的亮度值；
显著图获取模块，用于计算高斯图像IG与μL、μA、μB的欧几里得距离得到显著图S(x,y)＝[IG(x,y)-μL]2+[IG(x,y)-μA]2+[IG(x,y)-μB]2；
中值滤波处理模块，用于对显著图S(x,y)进行中值滤波处理，获取中值滤波处理后的显著图S′(x,y)；
显著区域获取模块，用于利用迭代算法计算分割阈值ST，利用分割阈值ST分割中值滤波处理后的显著图S′(x,y)，获取显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数；
显著区域筛选模块，用于统计显著区域SRk内前景点的总数FSumk，若FSumk＜Th_FSum，则删除该显著区域，将该显著区域内的前景点置为背景点；
行人的候选区域输出模块，用于将剩余的显著区域作为行人的候选区域并输出。
所述显著区域获取模块进一步包括：
初始分割阈值选取模块，用于计算中值滤波处理后的显著图S′(x,y)的平均灰度值ST，将ST作为初始分割阈值；
分割阈值更新模块，用于提取S′(x，y)≥ST的像素点作为第一分割图像S′1(x,y)，提取S′(x，y)＜ST的像素点作为第二分割图像S′2(x,y)，分别计算S′1(x,y)、S′2(x,y)的平均灰度值ST1、ST2，
分割阈值迭代模块，用于重复分割阈值更新模块，若连续两次计算的ST的差值ΔST≤Th_ST，则转入显著区域分割模块；
显著区域分割模块，用于将S′(x，y)≥ST的像素点设置为前景点，S′(x，y)＜ST的像素点设置为背景点，利用连通区域方法进行处理，获取前景点的连通区域作为显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数。
所述行人检测输出模块进一步包括：
检测特征提取模块，用于根据训练好的行人分类模型提取行人的候选区域的特征；
检测分类判定模块，用于分别计算该行人的候选区域的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别，输出判定结果。
与现有的行人检测技术相比，本发明的基于显著性检测和卷积神经网络的行人检测方法及装置一方面采用显著性检测算法先获取可能是行人的候选区域，提高了检测速度；另一方面采用卷积神经网络对样本图像进行训练，根据训练好的行人分类模型对行人的候选区域进行识别，提高了行人的识别准确率，且鲁棒性较好。
附图说明
图1示出了按照本发明的基于显著性检测和卷积神经网络的行人检测方法的流程图。
图2示出了按照本发明的第三步骤的流程图。
图3示出了按照本发明的基于显著性检测和卷积神经网络的行人检测装置的框架图。
图4示出了按照本发明的行人的候选区域获取模块的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的基于显著性检测和卷积神经网络的行人检测方法的流程图。如图1所示，按照本发明的基于显著性检测和卷积神经网络的行人检测方法包括：
第一步骤S1，选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；
第二步骤S2，采集场景彩色图像；
第三步骤S3，采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；及
第四步骤S4，利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果。
所述第一步骤S1进一步包括：
样本选取步骤S11，选取Th_ped个标签的行人灰度图像作为正样本图像，选取Th_nonped个标签的非行人灰度图像作为负样本图像；
初步训练步骤S12，利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；
二次训练步骤S13，选取Th_Test个测试灰度图像，根据初步训练的模型对测试灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的行人分类模型。
其中，所述样本选取步骤S11中Th_ped≥1000，Th_nonped≥0。当Th_nonped选为0时，没选取负样本图像。所述二次训练步骤S13中Th_Test≥1000。
优选地，Th_ped≥5000，Th_nonped≥1000，Th_Test≥4000。
所述样本选取步骤S11中标签的正样本灰度图像根据光照环境、性别、年龄、发型、服装进行选取。选取的标签正样本图像涵盖不同的光照环境、性别、年龄、发型、服装。光照环境包括：晴天、阴天、雨天、黑夜等。发型包括：长发、短发、光头等。不同的服装包括：短袖、长袖、裙子、帽子、背包等。
所述标签的非行人灰度图像为不含有行人的灰度图像。
所述样本选取步骤S11中若标签的行人图像和非行人图像为彩色图像，则先进行灰度化处理，以获取标签的行人灰度图像和非行人灰度图像。
所述初步训练步骤S12中卷积神经网络包括：输入层、Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。
所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。
所述Th_Con∈[2，22]，Th_Pool∈[2,16]，Th_Full∈[1,4]。Th_CKi∈[4,512]，CKSi∈[3,11]，Th_CSi∈[1,2]，PKSj∈[2,4]，Th_PKj∈[2,4]。
进一步地，所述Th_Con∈[2，12]，Th_Pool∈[2,10]，Th_Full∈[1,3]。Th_CKi∈[4,200]，CKSi∈[3,9]，Th_CSi∈[1,2]，PKSj∈[2,4]，Th_PKj∈[2,3]。
优选地，所述卷积神经网络包括：
输入层，输入Th_Width*Th_Height的图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKS1*CKS1、步长为Th_CS1；
第一层池化层，采用最大池化法输出PKS1*PKS1、步长为Th_PS1的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKS2*CKS2、步长为Th_CS2；
第二层池化层，采用最大池化法输出PKS2*PKS2、步长为Th_PS2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKS3*CKS3、步长为Th_CS3；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出2个类别。
其中，Th_Width和Th_Height分别为输入图像的宽度和高度，Th_Width∈[32，128]，Th_Height∈[64,256]。Th_CK1∈[6,20]，CKS1∈[5,9]，Th_CS1∈[1,2]。PKS1∈[2,4]，Th_PK1∈[2,3]。Th_CK2∈[10,40]，CKS2∈[3,5]，Th_CS2∈[1,2]。PKS2∈[2,4]，Th_PK2∈[2,3]。Th_CK3∈[10,40]，CKS3∈[3,5]，Th_CS3∈[1,2]。Th_Neur∈[160,10000]。
优选地，Th_Width选为64，Th_Height选为128；Th_CK1选为16，CKS1选为9，Th_CS1选为1；PKS1选为2，Th_PS1选为2；Th_CK2选为32，CKS2选为5，Th_CS2选为1；PKS2选为2，Th_PS2选为2；Th_CK3选为32，CKS3选为3，Th_CS3选为1。Th_Neur设为256。
所述第一层池化层和第二层池化层中的最大池化法可以替换为平均池化法或者随机池化法。
所述第一层全连接层中ReLU全称为Rectified Linear Units，中文译为修正线性单元，可以参考文献“Taming the ReLU with Parallel Dither in a Deep Neural Network.AJR Simpson.Computer Science,2015”。
所述第一层全连接层中ReLU可以替换为sigmoid函数或者tanh函数作为激活函数。
所述二次训练步骤S13进一步包括：
训练特征提取步骤S131，根据初步训练的模型提取Th_Test个测试灰度图像的特征；
训练分类判定步骤S132，分别计算该测试灰度图像的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别；
反复训练步骤S133，计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取步骤S131和训练分类判定步骤S132，直至该模型收敛，收敛的模型即为训练好的行人分类模型。
其中，所述反向传播算法通过现有的技术实现。
所述第二步骤S2中采集场景彩色图像也可以替换为输入场景彩色图像。所述场景彩色图像是指实际场景的彩色图像。
图2给出了按照本发明的第三步骤的流程图。如图2所示，按照本发明的第三步骤S3进一步包括：
高斯滤波处理步骤S31，对场景彩色图像进行高斯滤波处理，获取高斯图像IG(x,y)，其中(x,y)为图像的像素点；
色彩空间计算步骤S32，将场景彩色图像转换到CIELAB色彩空间，并计算L分量、A分量、B分量的平均值M、N分别为场景彩色图像的宽度和高度，L(x,y)、A(x,y)、B(x,y)分别为CIELAB色彩空间像素点(x,y)的L分量、A分量、B分量的亮度值；
显著图获取步骤S33，计算高斯图像IG与μL、μA、μB的欧几里得距离得到显著图S(x,y)＝[IG(x,y)-μL]2+[IG(x,y)-μA]2+[IG(x,y)-μB]2；
中值滤波处理步骤S34，对显著图S(x,y)进行中值滤波处理，获取中值滤波处理后的显著图S′(x,y)；
显著区域获取步骤S35，利用迭代算法计算分割阈值ST，利用分割阈值ST分割中值滤波处理后的显著图S′(x,y)，获取显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数；
显著区域筛选步骤S36，统计显著区域SRk内前景点的总数FSumk，若FSumk＜Th_FSum，则删除该显著区域，将该显著区域内的前景点置为背景点；
行人的候选区域输出步骤S37，将剩余的显著区域作为行人的候选区域并输出。
其中，所述高斯滤波处理步骤S31中的高斯滤波处理通过现有技术实现。
所述中值滤波处理步骤S34中的中值滤波处理通过现有技术实现。
所述显著区域获取步骤S35进一步包括：
初始分割阈值选取步骤S351，计算中值滤波处理后的显著图S′(x,y)的平均灰度值ST，将ST作为初始分割阈值；
分割阈值更新步骤S352，提取S′(x，y)≥ST的像素点作为第一分割图像S′1(x,y)，提取S′(x，y)＜ST的像素点作为第二分割图像S′2(x,y)，分别计算S′1(x,y)、S′2(x,y)的平均灰度值ST1、ST2，
分割阈值迭代步骤S353，重复分割阈值更新步骤S352，若连续两次计算的ST的差值ΔST≤Th_ST，则转入显著区域分割步骤S354；
显著区域分割步骤S354，将S′(x，y)≥ST的像素点设置为前景点，S′(x，y)＜ST的像素点设置为背景点，利用连通区域方法进行处理，获取前景点的连通区域作为显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数。
所述分割阈值迭代步骤S353中Th_ST∈[0.3,0.7]。优选地，Th_ST选为0.5。
所述显著区域分割步骤S354中连通区域方法为现有技术。
所述显著区域筛选步骤S36中Th_FSum∈[10,50]。优选地，Th_FSum选为20。
所述第四步骤S4进一步包括：
检测特征提取步骤S41，根据训练好的行人分类模型提取行人的候选区域的特征；
检测分类判定步骤S42，分别计算该行人的候选区域的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别，输出判定结果。
图3给出了按照本发明的基于显著性检测和卷积神经网络的行人检测装置的框架图。如图3所示，按照本发明的基于显著性检测和卷积神经网络的行人检测装置包括：
行人检测模型训练模块1，用于选取标签行人和非行人的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的行人分类模型；
彩色图像采集模块2，用于采集场景彩色图像；
行人的候选区域获取模块3，用于采用显著性检测算法提取显著区域，并通过筛选获取行人的候选区域；及
行人检测输出模块4，用于利用训练好的行人分类模型对行人的候选区域进行识别，输出识别结果。
所述行人检测模型训练模块1进一步包括：
样本选取模块11，用于选取Th_ped个标签的行人灰度图像作为正样本图像，选取Th_nonped个标签的非行人灰度图像作为负样本图像；
初步训练模块12，用于利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；
二次训练模块13，用于选取Th_Test个测试灰度图像，根据初步训练的模型对测试灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的行人分类模型。
其中，所述样本选取模块11中Th_ped≥1000，Th_nonped≥0。当Th_nonped选为0时，没选取负样本图像。所述二次训练模块13中Th_Test≥1000。
优选地，Th_ped≥5000，Th_nonped≥1000，Th_Test≥4000。
所述样本选取模块11中标签的正样本灰度图像根据光照环境、性别、年龄、发型、服装进行选取。选取的标签正样本图像涵盖不同的光照环境、性别、年龄、发型、服装。光照环境包括：晴天、阴天、雨天、黑夜等。发型包括：长发、短发、光头等。不同的服装包括：短袖、长袖、裙子、帽子、背包等。
所述标签的非行人灰度图像为不含有行人的灰度图像。
所述样本选取模块11中若标签的行人图像和非行人图像为彩色图像，则先进行灰度化处理，以获取标签的行人灰度图像和非行人灰度图像。
所述初步训练模块12中卷积神经网络包括：输入层、Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。
所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。
所述Th_Con∈[2，22]，Th_Pool∈[2,16]，Th_Full∈[1,4]。Th_CKi∈[4,512]，CKSi∈[3,11]，Th_CSi∈[1,2]，PKSj∈[2,4]，Th_PKj∈[2,4]。
进一步地，所述Th_Con∈[2，12]，Th_Pool∈[2,10]，Th_Full∈[1,3]。Th_CKi∈[4,200]，CKSi∈[3,9]，Th_CSi∈[1,2]，PKSj∈[2,4]，Th_PKj∈[2,3]。
优选地，所述卷积神经网络包括：
输入层，输入Th_Width*Th_Height的图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKS1*CKS1、步长为Th_CS1；
第一层池化层，采用最大池化法输出PKS1*PKS1、步长为Th_PS1的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKS2*CKS2、步长为Th_CS2；
第二层池化层，采用最大池化法输出PKS2*PKS2、步长为Th_PS2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKS3*CKS3、步长为Th_CS3；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出2个类别。
其中，Th_Width和Th_Height分别为输入图像的宽度和高度，Th_Width∈[32，128]，Th_Height∈[64,256]。Th_CK1∈[6,20]，CKS1∈[5,9]，Th_CS1∈[1,2]。PKS1∈[2,4]，Th_PK1∈[2,3]。Th_CK2∈[10,40]，CKS2∈[3,5]，Th_CS2∈[1,2]。PKS2∈[2,4]，Th_PK2∈[2,3]。Th_CK3∈[10,40]，CKS3∈[3,5]，Th_CS3∈[1,2]。Th_Neur∈[160,10000]。
优选地，Th_Width选为64，Th_Height选为128；Th_CK1选为16，CKS1选为9，Th_CS1选为1；PKS1选为2，Th_PS1选为2；Th_CK2选为32，CKS2选为5，Th_CS2选为1；PKS2选为2，Th_PS2选为2；Th_CK3选为32，CKS3选为3，Th_CS3选为1。Th_Neur设为256。
所述第一层池化层和第二层池化层中的最大池化法可以替换为平均池化法或者随机池化法。
所述第一层全连接层中ReLU全称为Rectified Linear Units，中文译为修正线性单元，可以参考文献“Taming the ReLU with Parallel Dither in a Deep Neural Network.AJR Simpson.Computer Science,2015”。
所述第一层全连接层中ReLU可以替换为sigmoid函数或者tanh函数作为激活函数。
所述二次训练模块13进一步包括：
训练特征提取模块131，用于根据初步训练的模型提取Th_Test个测试灰度图像的特征；
训练分类判定模块132，用于分别计算该测试灰度图像的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别；
反复训练模块133，用于计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取模块131和训练分类判定模块132，直至该模型收敛，收敛的模型即为训练好的行人分类模型。
其中，所述反向传播算法通过现有的技术实现。
所述彩色图像采集模块也可以替换为彩色图像输入模块，用于输入场景彩色图像。所述场景彩色图像是指实际场景的彩色图像。
图4给出了按照本发明的行人的候选区域获取模块的框架图。如图4所示，按照本发明的行人的候选区域获取模块3进一步包括：
高斯滤波处理模块31，用于对场景彩色图像进行高斯滤波处理，获取高斯图像IG(x,y)，其中(x,y)为图像的像素点；
色彩空间计算模块32，用于将场景彩色图像转换到CIELAB色彩空间，并计算L分量、A分量、B分量的平均值M、N分别为场景彩色图像的宽度和高度，L(x,y)、A(x,y)、B(x,y)分别为CIELAB色彩空间像素点(x,y)的L分量、A分量、B分量的亮度值；
显著图获取模块33，用于计算高斯图像IG与μL、μA、μB的欧几里得距离得到显著图S(x,y)＝[IG(x,y)-μL]2+[IG(x,y)-μA]2+[IG(x,y)-μB]2；
中值滤波处理模块34，用于对显著图S(x,y)进行中值滤波处理，获取中值滤波处理后的显著图S′(x,y)；
显著区域获取模块35，用于利用迭代算法计算分割阈值ST，利用分割阈值ST分割中值滤波处理后的显著图S′(x,y)，获取显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数；
显著区域筛选模块36，用于统计显著区域SRk内前景点的总数FSumk，若FSumk＜Th_FSum，则删除该显著区域，将该显著区域内的前景点置为背景点；
行人的候选区域输出模块37，用于将剩余的显著区域作为行人的候选区域并输出。
其中，所述高斯滤波处理模块31中的高斯滤波处理通过现有技术实现。
所述中值滤波处理模块34中的中值滤波处理通过现有技术实现。
所述显著区域获取模块35进一步包括：
初始分割阈值选取模块351，用于计算中值滤波处理后的显著图S′(x,y)的平均灰度值ST，将ST作为初始分割阈值；
分割阈值更新模块352，用于提取S′(x，y)≥ST的像素点作为第一分割图像S′1(x,y)，提取S′(x，y)＜ST的像素点作为第二分割图像S′2(x,y)，分别计算S′1(x,y)、S′2(x,y)的平均灰度值ST1、ST2，
分割阈值迭代模块353，用于重复分割阈值更新模块352，若连续两次计算的ST的差值ΔST≤Th_ST，则转入显著区域分割模块354；
显著区域分割模块354，用于将S′(x，y)≥ST的像素点设置为前景点，S′(x，y)＜ST的像素点设置为背景点，利用连通区域方法进行处理，获取前景点的连通区域作为显著区域SRk，k＝1，2，…，SNum，SNum为显著区域的个数。
所述分割阈值迭代模块353中Th_ST∈[0.3,0.7]。优选地，Th_ST选为0.5。
所述显著区域分割模块354中连通区域方法为现有技术。
所述显著区域筛选模块36中Th_FSum∈[10,50]。优选地，Th_FSum选为20。
所述行人检测输出模块4进一步包括：
检测特征提取模块41，用于根据训练好的行人分类模型提取行人的候选区域的特征；
检测分类判定模块42，用于分别计算该行人的候选区域的特征与行人类别的相似度Simi1、非行人类别特征的相似度Simi2，若Simi1＞Simi2，则判定为行人类别，否则判定为非行人类别，输出判定结果。
与现有的行人检测技术相比，本发明的基于显著性检测和卷积神经网络的行人检测方法及装置一方面采用显著性检测算法先获取可能是行人的候选区域，提高了检测速度；另一方面采用卷积神经网络对样本图像进行训练，根据训练好的行人分类模型对行人的候选区域进行识别，提高了行人的识别准确率，且鲁棒性较好。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
- 还没有人留言评论。精彩留言会获得点赞！