一种卷积神经网络的行人目标检测系统设计

1.本发明涉及计算机行人目标检测技术领域，尤其涉及一种卷积神经网络的行人目标检测系统设计方法。


背景技术：

2.近年来，行人检测在无人驾驶、视频监控等方向有着重要的应用；但有时会受光照、服装、建筑物等众多环境因素影响，使得行人检测出现错误，因此准确的行人检测识别是计算机视觉领域的一个挑战性课题。常规的行人目标检测是基于目标几何特征统计的图像分割方法。在特征提取方面，轮廓、纹理以及颜色区域等特征常用于描述行人与背景的区别。在行人目标检测中，通过特征降维的方式来消除待检样本的残影序列，从而实现对行人目标的实时稳定跟踪。但很难获取精确地行人目标检测信息，易因环境影响而造成实时检测精度的下降。因而需要设计一个高精度的检测系统。


技术实现要素：

3.针对上述技术的不足之处，本发明提出了一种卷积神经网络的行人目标检测系统设计方法。
4.本发明是这样实现的，一种卷积神经网络的行人目标检测系统设计方法包括以下步骤：
5.第一步，搭建fast-cnn计算框架
6.fast-rcnn拥有快速进行目标图像检测的能力。因此行人目标检测系统的卷积神经网络选择以fast-rcnn计算框架作为核心搭建结构，在“服务器+fpga”体系的基础上，将检测目标图像输入到卷积网络内部的卷积层，经过卷积来对图像中的行人目标快速匹配并分割出来。同时只有数据存储器中传输信息送入到fast-rcnn并行结构后，系统才会对行人目标进行检测。使用fast-rcnn模型对目标区域进行初始化，在初始化完成以后对行人目标进行训练，卷积神经分类器时刻都维持并行连接状态，能对多个图像进行检测与识别，将检测后的图像放入到内部存储结构中，这不仅能够构建检测信息环境，还将直接处理行人的图像数据并传输出来。在训练完成以后，fast-rcnn计算框架在实现快速识别图像的功能的同时再将必要的权值参数传输回计算框架中，反向调整图像的权值参数，从而完成行人目标信息的输出与平衡，建立数据存储器与系统检测服务器间的应用连接；
7.(2)卷积神经分类器
8.卷积神经分类器用来处理行人目标图像中的遮挡物，在原始数据信息的基础上，提取出重要的行人信息，然后用kalman filtering器进行分类，建立与并行检测结构间的理论应用连接；
9.(3)并行图像检测结构
10.在系统数据的输入端与输出端之间都设计了并行检测结构，这比以往一张一张图片检测提高了效率，但需要满足fast-cnn计算框架的调度性能，并将目标信息转化为完整
的检测处理图像。在本设计中由卷积层、目标层两部分组成并行检测结构。卷积层直接与系统神经网络服务器相连，对服务器内的行人图像进行卷积数据处理和递归处理。目标层在接收卷积层结构处理后的数据，对其进行全连接，并依据内置条件进行图像检测，同时设置调取接口；
11.第二步，在fast-rcnn卷积神经计算架构及并行图像检测结构的支持下，按照训练文件架构搭建、参数文件配置的处理流程，对行人图像进行训练行人目标处理；
12.第三步：依据检测目标样本的实际训练需求，配置系统检测接口的实际访问参数，实现行人目标检测系统的应用；
13.第四步：在卷积神经架构及检测体系结构的支持下，按照训练文件连接参数文件配置的处理流程，实现对待检测行人目标样本的训练处理；
14.第五步：按照检测目标样本的实际训练需求，配置系统检测接口参数，实现行人目标检测系统的顺利应用；
15.进一步地，kalman filtering器的主要针对行人目标图像中干扰信息噪点；
16.进一步地，去除行人目标框外的背景信息；
17.进一步地，在并行检测结构中，卷积层直接与系统神经网络服务器相连，对卷积神经分类器输入的行人目标信息进行递归处理，实现对目标的全连接处置。
18.本发明与现有技术相比，在fast-rcnn算法的基础上设计了一个并行目标检测系统，以用来快速完成检测目标行人。
附图说明
19.图1为本发明一种fast-cnn框架图；
20.图2为本发明的并行检测结构；
具体实施方式
21.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
22.本发明的主要目的在于提供一种快速进行行人目标检测方法，提出了一种卷积神经网络的行人目标检测系统设计方法。
23.下面将结合附图对本发明进行详细说明。具体包括以下几个步骤：
24.第一步，搭建fast-cnn计算框架
25.行人目标检测系统的卷积神经网络选择以fast-rcnn计算框架作为核心搭建结构，如图1所示。在“服务器+fpga”体系的基础上，将检测目标图像输入到卷积网络内部的卷积层，经过卷积来对图像中的行人目标快速匹配并分割出来。同时只有数据存储器中传输信息送入到fast-rcnn并行结构后，系统才会对行人目标进行检测。使用 fast-rcnn模型对目标区域进行初始化，在初始化完成以后对行人目标进行训练，卷积神经分类器时刻都维持并行连接状态，能对多个图像进行检测与识别，将检测后的图像放入到内部存储结构中，这不仅能够构建检测信息环境，还将直接处理行人的图像数据并传输出来。在训练完成以后，fast-rcnn计算框架在实现快速识别图像的功能的同时再将必要的权值参数传输回计算框架中，反向调整图像的权值参数，从而完成行人目标信息的输出与平衡，建立数据存储
器与系统检测服务器间的应用连接。
26.第二步，卷积神经分类器用来处理行人目标图像中的遮挡物，在原始数据信息的基础上，提取出重要的行人信息，然后用kalman filtering器进行分类，建立与并行检测结构间的理论应用连接；
27.第三步，并行检测结构
28.并行检测结构如图2所示。设计在于系统数据输入端与输出端之间，能同时处理多个目标信息，并将其转化为行人检测处理图像，同时要满足fast-cnn计算框架地调度性能。整个并行检测结构由卷积层、目标抽样层两部分组成。卷积层对行人目标信息统筹处理和递归处理。
29.第四步：在卷积神经架构及检测体系结构的支持下，按照训练文件、参数文件配置的处理流程，实现对待检测行人目标样本的训练处理。
30.进一步地，训练文件构架目录下有以下几个文件夹：
31.(1)caffe-fast-rcnn：caffe框架的存放目录；
32.(2)data：用来存放pretrained模型；
33.(3)experiments：用于存放配置文件以及运行的log文件；
34.(4)datasets：主要负责数据库读取；
35.(5)nms：非极大值抑制，用于合并候选框；
36.(6)output：这里存放的是训练完成后的输出目录，默认会在faster rcnn end2end 文件夹下；
37.进一步地，按照目标样本的实际训练需求，合理配置系统检测接口的参数，实现新型行人目标检测系统的顺利应用。
38.进一步地，需要设置文件架构建设，包含存放原始图片、子图片存取、候选框合并等多个处置阶段。
39.进一步地，需要提前对图像特征进行提取。