技術(shù)特征：

1.一種基于區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)的人體目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：

(1)、采集不同監(jiān)控場(chǎng)景、不同角度的人體目標(biāo)圖像，然后對(duì)于每一張采集的人體目標(biāo)圖像，標(biāo)定人體目標(biāo)上半身的所在位置作為人體目標(biāo)的標(biāo)定框，標(biāo)定了人體目標(biāo)標(biāo)定框的人體目標(biāo)圖像構(gòu)成訓(xùn)練；

人體目標(biāo)圖像不僅包含單一人體目標(biāo)的簡(jiǎn)單場(chǎng)景，也包含一些遮擋較為嚴(yán)重，人員數(shù)量較多的復(fù)雜情景；

(2)、設(shè)置五個(gè)不同的圖像尺度，對(duì)于訓(xùn)練集中的每一幅人體目標(biāo)圖像，隨機(jī)選擇一個(gè)圖像尺度，將人體目標(biāo)圖像的短邊縮放到該尺度下之后輸入到殘差網(wǎng)絡(luò)(Residual Network)進(jìn)行卷積運(yùn)算，得到卷積特征；

(3)、將卷積特征輸入到區(qū)域候選網(wǎng)絡(luò)(Region Proposal Network，簡(jiǎn)稱RPN)，生成區(qū)域候選框；其中，生成區(qū)域候選框時(shí)所需錨(anchors)，選用{0.8,1.2}兩個(gè)不同比例的寬高比和{48,96,144,192,240}五個(gè)不同比例尺度作為生成anchors的規(guī)則；

(4)、根據(jù)卷積特征、區(qū)域候選框，計(jì)算位置敏感得分圖，得到區(qū)域候選框?yàn)檎蜻x框的概率S_i以及負(fù)候選框的概率S_j；同時(shí)，根據(jù)人體目標(biāo)標(biāo)定框，得到區(qū)域候選框的真實(shí)類別概率S；其中，區(qū)域候選框與真實(shí)的人體目標(biāo)標(biāo)定框的交并比大于等于0.5時(shí)，判定區(qū)域候選框?yàn)檎蜻x框樣本，真實(shí)類別概率S為1；當(dāng)候選框與真實(shí)的人體目標(biāo)標(biāo)定框的交并比小于0.5時(shí)，判定區(qū)域候選框?yàn)樨?fù)候選框樣本，真實(shí)類別概率S為0；

(5)、采用區(qū)域候選框的交叉熵?fù)p失值作為區(qū)域候選框的分類損失值L_cls，其具體計(jì)算公式如下：

$L_{cls}=-log\left(\frac{e^S}{e^{S_i}+e^{S_j}}\right)---\left(1\right);$

采用區(qū)域候選框的一階平滑損失值作為區(qū)域候選框的回歸損失值L_reg，其具體計(jì)算公式如下：

L_reg＝smooth_L1(x^*-x)+smooth_L1(y^*-y)+smooth_L1(w^*-w)+smooth_L1(h^*-h) (2)，

其中，x和y表示區(qū)域候選框的左上位置坐標(biāo)，w和h分別表示區(qū)域候選框的寬和高，x^*和y^*表示真實(shí)的人體目標(biāo)標(biāo)定框的左上位置坐標(biāo)；

其中，一階平滑函數(shù)smooth_L1計(jì)算公式下：

${\mathrm{smooth}}_{L1}\left(z\right)=\left\{\begin{array}{cc}\frac{1}{2}{\left(\mathrm{\σ}z\right)}^2& if\left|z\right|\<\frac{1}{{\mathrm{\σ}}^2}\\ \left|z\right|-\frac{1}{2{\mathrm{\σ}}^2}& otherwise\end{array}\right.---\left(3\right),$

其中，σ根據(jù)具體監(jiān)控場(chǎng)景確定，一般取3.0，z為公式(2)中括號(hào)內(nèi)的差值；

(6)、對(duì)于每一個(gè)區(qū)域候選框，計(jì)算出其損失值，其計(jì)算公式如下：

其中，λ是分類損失與回歸損失之間的平衡因子；

(6)、對(duì)人體目標(biāo)圖像，根據(jù)步驟(4)、(5)，得到每一個(gè)區(qū)域候選框計(jì)算損失值，將區(qū)域候選框損失值進(jìn)行排序，選擇損失值最大的前B個(gè)區(qū)域候選框作為難例樣本，然后將這些難例樣本的損失值，反饋到區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)模型中，使用隨機(jī)梯度下降法更新區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

(7)、對(duì)于每一幅人體目標(biāo)圖像，根據(jù)步驟(2)～(6)不斷更新區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，從而得到人體目標(biāo)檢測(cè)的區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)模型，用于監(jiān)控場(chǎng)景下采集的圖像的人體目標(biāo)檢測(cè)。