述檢測(cè)區(qū)域在Y、U、V三個(gè)通道上的第一邊緣圖，所述Y、U、V通道分別對(duì)應(yīng)一個(gè)第 一邊緣圖，生成一個(gè)第三邊緣圖，所述第三邊緣圖各位置的數(shù)據(jù)為0,所述三個(gè)第一邊緣圖 以及第三邊緣圖大小相同，都為所述檢測(cè)區(qū)域的四分之一大小，將所述三個(gè)第一邊緣圖和 所述第三邊緣圖的拼接圖作為所述第三通道的輸出數(shù)據(jù)。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述部位檢測(cè)層包括三個(gè)子層，分別為 第一子層、第二子層和第三子層，所述部位檢測(cè)層的第一子層包括Ml個(gè)過濾器，所述部位 檢測(cè)層的第二子層包括M2個(gè)過濾器，所述部位檢測(cè)層的第三子層包括M3個(gè)過濾器，其中， M1+M2+M3=M ； 所述部位檢測(cè)層的第一子層的Ml個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的Ml個(gè)部位，得 到Ml個(gè)響應(yīng)圖； 所述部位檢測(cè)層的第二子層的M2個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的M2個(gè)部位，得 到M2個(gè)響應(yīng)圖； 所述部位檢測(cè)層的第三子層的M3個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的M3個(gè)部位，得 到M3個(gè)響應(yīng)圖。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述形變處理層根據(jù)所述M個(gè)部位對(duì)應(yīng)的 響應(yīng)圖分別確定所述M個(gè)部位的形變，并根據(jù)所述M個(gè)部位的形變確定所述M個(gè)部位的得 分圖，包括： 所述形變處理層根據(jù)所述M個(gè)部位對(duì)應(yīng)的響應(yīng)圖，分別按照公式（1)得到所述第P個(gè) 部位的形變得分圖：
(1) 其中，Bp表示第p個(gè)部分的形變得分圖，I < p < M，Mp表示所述第p個(gè)部分對(duì)應(yīng) 的響應(yīng)圖，N表示所述第p個(gè)部位的限制條件，Dn，p表示第η個(gè)限制條件對(duì)應(yīng)的得分圖， I < η < N，Cn，p表示第η個(gè)限制條件對(duì)應(yīng)的權(quán)重； 所述形變處理層根據(jù)所述形變得分圖，按照公式（2 )確定所述第P部位的得分圖：
(2) 其中，^表示（X，y)位置上Bp的值。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述遮擋處理層包括三個(gè)子層，分別為第 一子層、第二子層、第三子層，所述遮擋處理層根據(jù)所述M個(gè)部位的得分圖確定所述M個(gè)部 位對(duì)應(yīng)的遮擋,包括： 所述遮擋處理層確定所述M個(gè)部位在所述遮擋處理層的子層上的得分圖和可視性； 所述遮擋處理層的第一子層、第二子層、第三子層分別按照公式（3)、（4)、（5)計(jì)算所述 各個(gè)部位的可視性：
其中，4表示第P個(gè)部位在所述遮擋處理層的第1層上的得分圖，4表示4的權(quán) 重矩陣，<表示&的偏置，<表示第P個(gè)部位在所述遮擋處理層的第1層上的可視性， 〇 (tMl+expK))' <表示第P個(gè)部位在所述遮擋處理層的第1子層上可視性，用W1表 示h1和h 1+1之間的傳遞矩陣，表示W(wǎng)1的第j列，Wds表示隱含變量爐τ的線性分類器的參 數(shù)，（x)T表示矩陣X的轉(zhuǎn)置，5^表示所述卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。
6. -種卷積神經(jīng)網(wǎng)絡(luò)，其特征在于，包括： 特征提取層，用于根據(jù)提取圖像中檢測(cè)區(qū)域的像素值，對(duì)所述檢測(cè)區(qū)域的像素值進(jìn)行 預(yù)處理，并對(duì)所述預(yù)處理后的圖像進(jìn)行特征提取，得到所述檢測(cè)區(qū)域的特征圖； 部位檢測(cè)層，用于通過M個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域的特征圖，輸出所述檢測(cè)區(qū) 域的M個(gè)部位對(duì)應(yīng)的響應(yīng)圖，每個(gè)過濾器用于檢測(cè)一個(gè)部位，每個(gè)部位對(duì)應(yīng)一個(gè)響應(yīng)圖； 形變處理層，用于根據(jù)所述M個(gè)部位對(duì)應(yīng)的響應(yīng)圖分別確定所述M個(gè)部位的形變，并根 據(jù)所述N個(gè)部位的形變確定所述M個(gè)部位的得分圖； 遮擋處理層，用于根據(jù)所述M個(gè)部位的得分圖確定所述M個(gè)部位對(duì)應(yīng)的遮擋； 分類器，用于根據(jù)所述遮擋處理層的輸出結(jié)果，確定所述檢測(cè)區(qū)域內(nèi)是否有目標(biāo)物體。
7. 根據(jù)權(quán)利要求6所述的卷積神經(jīng)網(wǎng)絡(luò)，其特征在于，所述特征提取層包括三個(gè)通道， 分別為第一通道、第二通道、第三通道； 其中，所述第一通道的輸出數(shù)據(jù)對(duì)應(yīng)所述檢測(cè)區(qū)域內(nèi)的YUV像素值的Y通道數(shù)據(jù)； 所述第二通道，用于將所述檢測(cè)區(qū)域的大小縮小為原大小的四分之一，并將所述縮小 后的檢測(cè)區(qū)域轉(zhuǎn)換成YUV格式，通過Sobel邊緣算子過濾所述轉(zhuǎn)換為YUV格式的檢測(cè)區(qū)域， 分別得到所述檢測(cè)區(qū)域在Y、U、V三個(gè)通道上第一邊緣圖，所述Y、U、V通道分別對(duì)應(yīng)一個(gè)第 一邊緣圖，取所述三個(gè)第一邊緣圖中各位置上的最大值，組成一個(gè)第二邊緣圖，所述三個(gè)第 一邊緣圖以及第二邊緣圖大小相同，都為所述檢測(cè)區(qū)域的四分之一大小，將所述三個(gè)第一 邊緣圖和所述第二邊緣圖的拼接圖作為所述第二通道的輸出數(shù)據(jù)； 所述第三通道，用于將所述檢測(cè)區(qū)域的大小縮小為原大小的四分之一，并將所述縮小 后的檢測(cè)區(qū)域轉(zhuǎn)換成YUV格式，通過Sobel邊緣算子過濾所述轉(zhuǎn)換為YUV格式的檢測(cè)區(qū)域， 分別得到所述檢測(cè)區(qū)域在Y、U、V三個(gè)通道上的第一邊緣圖，所述Y、U、V通道分別對(duì)應(yīng)一個(gè) 第一邊緣圖，生成一個(gè)第三邊緣圖，所述第三邊緣圖各位置的數(shù)據(jù)為0,所述三個(gè)第一邊緣 圖以及第三邊緣圖大小相同，都為所述檢測(cè)區(qū)域的四分之一大小，將所述三個(gè)第一邊緣圖 和所述第三邊緣圖的拼接圖作為所述第三通道的輸出數(shù)據(jù)。
8. 根據(jù)權(quán)利要求7所述的卷積神經(jīng)網(wǎng)絡(luò)，其特征在于，所述部位檢測(cè)層包括三個(gè)子層， 分別為第一子層、第二子層和第三子層，所述部位檢測(cè)層的第一子層包括Ml個(gè)過濾器，所 述部位檢測(cè)層的第二子層包括M2個(gè)過濾器，所述部位檢測(cè)層的第三子層包括M3個(gè)過濾器， 其中，M1+M2+M3=M ; 所述部位檢測(cè)層的第一子層，用于通過Ml個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的Ml個(gè) 部位，得到Ml個(gè)響應(yīng)圖； 所述部位檢測(cè)層的第二子層，用于通過M2個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的M2個(gè) 部位，得到M2個(gè)響應(yīng)圖； 所述部位檢測(cè)層的第三子層，用于通過M3個(gè)過濾器分別檢測(cè)所述檢測(cè)區(qū)域內(nèi)的M3個(gè) 部位，得到M3個(gè)響應(yīng)圖。
9. 根據(jù)權(quán)利要求8所述卷積神經(jīng)網(wǎng)絡(luò)，其特征在于，所述形變處理層具體用于： 所述形變處理層根據(jù)所述M個(gè)部位對(duì)應(yīng)的響應(yīng)圖，分別按照公式（1)得到所述第P個(gè) 部位的形變得分圖：
(1) 其中，Bp表示第P個(gè)部分的形變得分圖，I < P < M，Mp表示所述第P個(gè)部分對(duì)應(yīng) 的響應(yīng)圖，N表示所述第p個(gè)部位的限制條件，Dn，p表示第η個(gè)限制條件對(duì)應(yīng)的得分圖， I < η < N，Cn，p表示第η個(gè)限制條件對(duì)應(yīng)的權(quán)重； 所述形變處理層根據(jù)所述形變得分圖，按照公式（2 )確定所述第P部位的得分圖：
(2) 其中，f '1表示（X，y)位置上Bp的值。
10. 根據(jù)權(quán)利要求8所述卷積神經(jīng)網(wǎng)絡(luò)，其特征在于，所述遮擋處理層包括三個(gè)子層， 分別為第一子層、第二子層、第三子層； 所述遮擋處理層的第一子層、第二子層、第三子層分別按照公式（3)、（4)、（5)計(jì)算所述 各個(gè)部位的可視性：
其中，4表示第P個(gè)部位在所述遮擋處理層的第1層上的得分圖，< 表示4的權(quán) 重矩陣，表示&的偏置，< 表示第P個(gè)部位在所述遮擋處理層的第i層上的可視性， 〇 (tMl+expK))' <表示第P個(gè)部位在所述遮擋處理層的第1子層上可視性，用W1表 示h1和h 1+1之間的傳遞矩陣，表示W(wǎng)1的第j列，Wds表示隱含變量p的線性分類器的 參數(shù)，（x) T表示矩陣X的轉(zhuǎn)置，5表示所述卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。
【專利摘要】本發(fā)明提供一種卷積神經(jīng)網(wǎng)絡(luò)和基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)物體檢測(cè)方法，所述卷積神經(jīng)網(wǎng)絡(luò)包括：特征提取層、部位檢測(cè)層、形變處理層、遮擋處理層和分類器，本發(fā)明實(shí)施例提供的卷積神經(jīng)網(wǎng)絡(luò)，聯(lián)合了優(yōu)化特征提取、部位檢測(cè)、形變處理、遮擋處理和分類器學(xué)習(xí)，通過形變處理層使得卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)目標(biāo)物體的形變，并且形變學(xué)習(xí)和遮擋處理進(jìn)行交互，這種交互能提高分類器根據(jù)所學(xué)習(xí)到的特征分辨目標(biāo)物體和非目標(biāo)物體的能力。
【IPC分類】G06T7-00
【公開號(hào)】CN104680508
【申請(qǐng)?zhí)枴緾N201310633797
【發(fā)明人】歐陽萬里, 許春景, 劉健莊, 王曉剛
【申請(qǐng)人】華為技術(shù)有限公司
【公開日】2015年6月3日
【申請(qǐng)日】2013年11月29日
【公告號(hào)】WO2015078185A1