基于卷積神經網絡的行人目標檢測系統設計

王 林，劉 盼

(西安理工大學 自動化與信息工程學院，西安 710048)

0 引言

卷積神經網絡是以卷積計算為基礎的前饋型神經調節網絡，包含多個深度支撐結構，是深度學習理論中的代表應用算法。與其它調節型網絡相比，卷積神經網絡具備完善的表征學習能力，可按照輸入信息所屬階層，對數據節點實施分類或平移轉換，故也被稱為“具有平移不變能力的人工神經網絡”[1-2]。該項物理概念最早由西方國家研究人員在20世紀80年代中期提出，當時的卷積神經網絡具備較長時間的物理反應延遲，而在21世紀初期，隨著深度學習理論的不斷完善，卷積神經網絡也得到了快速的發展，并且被廣泛應用于自然語言處理、計算機目標檢測等多個領域。

目標檢測是基于目標幾何特征統計的圖像分割方法。通常情況下，可將一個待測目標人工分裂成多個部分，在復雜應用場景中，多個目標組織具備完全統一的實時協調能力，可輔助計算機系統獲取直觀的識別處理結果。PCA、SVM算法是常見的行人目標檢測系統處置方案，可通過特征降維的方式，消除待檢樣本的殘影序列，從而實現對行人目標的實時穩定跟蹤。但上述系統的目標數據堆積程度相對較高，很難獲取足量的行人目標檢測信息，易因運動姿態的不確定性而造成實時檢測精度的下降。為解決此問題，引入卷積神經網絡，在CNN計算框架、訓練文件架構等多項應用設備結構的支持下，設計一種新型的行人目標檢測系統，并通過比照實驗的方式，突出說明兩類系統間的實用差異性。

1 卷積神經架構及檢測體系結構

行人目標檢測系統的卷積神經架構由目標傳感器、神經型分類器、并行檢測結構等多個應用元件組成，具體搭建方法如下。

1.1 CNN計算框架

行人目標檢測系統卷積神經網絡以CNN計算框架作為核心搭建結構，在“主機+FPGA”體系的基礎上，控制目標檢測特征的輸入與輸出流程，再聯合信息存儲帶寬與卷積網絡內部的核權值，實現行人目標圖像的實時匹配。當CNN并行計算單元開始接收目標數據存儲器中的傳輸信息后，整個計算框架才正式進入檢測運行模式，在此過程中目標傳感器、卷積分類器等應用型設備始終保持獨立的并行連接狀態，且與內網絡存儲結構相連的數據傳輸信道，也會隨之出現兼容性占用趨勢，一方面實現了神經網絡體系內的信息檢測環境構建，另一方面也可將與行人目標相關的圖像數據，直接反饋至系統檢測主機中。作為卷積神經網絡的初級處理結構，CNN計算框架可協調行人目標信息間的傳播應用關系，再占據一定的系統帶寬條件，傳輸必要的目標權值參量，從而完成行人目標信息的輸出與平衡，建立數據存儲器與系統檢測主機間的應用連接[3]。

圖1 CNN計算框架圖

1.2 目標傳感器

目標傳感器是行人目標檢測系統中的重要數據處理元件，以3D Magnetic Seneor設備作為主要搭建結構，芯片外緣負載多個傳感接線柱組織，可深入CNN計算框架中調取卷積神經網絡內的目標應用信息，并按照既定數學模型，將各數據指標匯總至檢測系統關聯數據庫中[4]。從執行功能的角度來看，目標傳感器基本等同于一個信息處理設備，可借助傳輸導線建立與卷積神經網絡及檢測分類器的物理連接，在待檢目標行人運動姿態出現明顯變動的情況下，3D Magnetic Seneor設備內暫存的數據信息總量也會隨之快速變化。一般來說，行人運動幅度越大，姿態的變動區間范圍就越寬，與之匹配的目標傳感數據總量也就越多；行人運動幅度越小，姿態的變動區間范圍就越窄，與之匹配的目標傳感數據總量也就越少[5]。若傳感器接線柱的占用頻率過高，則易導致信息數據堆積量的快速增加，而在目標傳感器的調度下，CNN計算框架的承載容量也隨之提升，不僅增大了系統在單位時間內對于行人目標信息的檢測總量，也避免了運動姿態不確定性對實時檢測結果造成的抑制影響。

1.3 神經型卷積分類器

在檢測系統中，神經型卷積分類器只處理行人目標圖像中的陰影淡化問題，可在原始數據信息的基礎上，按照線性投射原理，固定陰影區間的實際籠罩范圍，再聯合Markov分類處置元件，判定該類型信息所屬的存儲形態，從而建立與并行檢測結構間的理論應用連接。因神經型卷積分類器不具備獨立的形態結構，故原始行人目標圖像中一定會存在比較多的信息干擾節點，如圖2所示[6]。

圖2 原始行人目標圖像

Markov處置元件的一次分類作用主要針對行人目標圖像中的明顯性干擾信息噪點(如樹影、燈影等)。當目標傳感器中的數據信息呈現快速匯集狀態時，卷積分類器才開始對行人目標圖像的集中性處理，但此次操作的執行能力有限，只能淡化大范圍的陰影節點，不能去除行人目標體周圍的干擾信息噪點，如圖3所示[7]。

圖3 一次分類后的行人目標圖像

Markov處置元件的二次分類作用主要針對行人目標體周圍的干擾信息噪點(如人體陰影)。在此情況下，目標傳感器中的數據信息快速分散，卷積分類器轉移與行人目標相關的神經性節點組織，達到直觀獲取系統檢測指令的目的，如圖4所示。

圖4 二次分類后的行人目標圖像

1.4 并行檢測結構

并行檢測結構存在于系統數據輸入端與輸出端之間，可將卷積神經網絡內的行人目標信息，轉化為完整的檢測處理圖像，是神經型卷積分類器的下級執行元件，同時滿足CNN計算框架與目標傳感器的調度與調節需求。整個并行檢測結構由卷積子層、目標抽樣層兩部分組成[8]。通常情況下，卷積子層直接與系統神經網絡主機相連，可在多個節點組織的作用下，對神經型卷積分類器輸入的行人目標信息實時統籌處理，并借助神經網絡中的卷積遞歸函數，實現對目標數據的抽樣處置。目標抽樣層包含大量的檢測函數模型，可在接收卷積子層結構中行人目標信息的同時，建立必要的圖像檢測規則，并將這些信息與Markov處置元件中的噪點數據匹配，從而生成獨立的行人目標檢測圖像，以供其它系統設備的直接應用與調取。

圖5 系統并行檢測結構

2 基于卷積神經網絡的行人目標檢測系統軟件設計

2.1 待檢測目標樣本訓練

在卷積神經架構及檢測體系結構的支持下，按照訓練文件連接、訓練環境搭建、參數文件配置的處理流程，實現對待檢測行人目標樣本的訓練處理。

2.1.1 訓練文件架構

訓練文件架構建設是實現行人目標檢測的重要處理流程，包含存放目錄生成、子文件夾讀取、候選框合并等多個處置階段(如表1所示)。在實際檢測過程中，訓練文件架構可以充當行人目標數據的傳輸背景，一方面可與卷積神經網絡中的并行檢測結構建立應用型連接，另一方面可在目標傳感器的促進下，選擇文件樣本中的必要信息參量[9]。存放目錄也叫訓練文件架構的基層數據處置單元，常被定義為“caffe-fast-rcnn”譯碼形式，其中“caffe”編碼代表神經網絡內部的卷積型連接節點；“fast”編碼代表平行檢測情況下的行人目標數據轉碼速率，若轉碼速率過快，則可在“fast”源碼的基礎上后綴“+”或“++”，以描述系統內文件架構行為的具體施行狀態；“rcnn” 編碼代表行人目標數據結構在卷積神經網絡中所處的實時位置，為保證系統應用檢測指令的獲取直觀性，編碼體在訓練文件架構中始終保持波動性傳輸狀態，且極值信息點的標注范圍不得超過[20,210](限制單位為109T)的物理區間。

表1 訓練文件架構建設處置原理

2.1.2 訓練環境

根據表13顯示：拉丁舞練習組女生在上肢快速反應測試中使用時間平均減少了8.17s，拉丁舞練習組男生平均減少了11.03s，P＜0.05，兩組之間具有顯著性差異，表明拉丁舞對男生上肢協調性的影響大于女生；觸桿反應測試和十字繞桿跑測試中，拉丁舞練習組女生使用時間分別平均減少了2.88s和2.67s，拉丁舞練習組男生分別平均減少了3.62s和1.72s，兩組之間差異不顯著，表明拉丁舞對男、女大學生靈敏素質影響差異不大。

行人目標文件的訓練環境搭建包含硬件配置、軟件配置兩個環節。其中，硬件配置是指檢測主機存儲容量及存儲形式的選擇，縱觀整個神經網絡的卷積連接形式，系統檢測主機內的GPU結構，至少具備16 G的數據承載空間，而與文件架構所匹配的硬盤空間則至少應保持為2 006 G。軟件配置則主要針對行人目標文件的存放目錄結構，在算法層面，整個訓練框架始終保持為開源狀態，隨著“fast”編碼后綴“+”符號數量的增加，系統檢測編碼的實時位置也會逐漸向著神經網絡主機端靠近，直至行人目標數據的轉碼速率與文件樣本生成速率完全相等[10]。針對“alt-opt”型行人目標數據信息，檢測系統軟件配置則采取數據集解壓的處理形式，將卷積神經網絡內的節點占用率降低至低標準應用狀態后，實施測試腳本的規劃與利用，直至卷積分類器可直接輸出與行人目標數據相關的系統檢測結果。

2.1.3 參數文件配置

完成配置后的行人目標參數文件主要存儲在“caffe-fast-rcnn”目錄下，可按照信息樣本節點內的數據函數重要度，確定檢測系統中訓練文件架構的實際連接形式，從而實現對卷積神經網絡內樣本節點的合理化占用[11]。用于生成行人目標檢測指令的配置函數由多種基類形式共同組成，簡單來說，可在加載訓練文件樣本信息的同時，處理系統檢測節點間的數據互聯關系，從而實現對行人目標數據的加載預處理。表2描述了幾種常見的行人目標參數文件配置函數。

表2 常見行人目標參數文件的配置函數

2.2 行人目標樣本重構及目標檢測

按照待檢測目標樣本的實際訓練需求，配置系統檢測接口的實際訪問參數，再聯合模塊復用加速結構，完成卷積神經網絡內的行人目標樣本重構，實現新型行人目標檢測系統的順利應用。

2.2.1 檢測節點架構

圖6 系統檢測節點的架構連接形式

2.2.2 訪問接口配置

訪問接口配置是在檢測節點架構的基礎上，對行人目標信息數據包的進一步處理，可聯合神經卷積分類器等多個硬件應用結構，處理系統內的檢測執行指令，從而控制行人目標樣本圖像的實際輸出方向[13]。在訪問接口組織的促進下，待檢測行人目標信息數據包首先執行封裝處理，再根據各類“def”函數的排列形式，生成多個解碼型數據結構，借助已重構的訓練文件樣本，生成系統檢測所需的地址及指令信息參量，經過多次緩沖穩定，生成最終的行人目標樣本圖像，借助完善的訪問接口組織，傳輸至其它系統元件結構之中。

圖7 訪問接口配置原理

2.2.3 模塊復用加速設計

模塊復用加速器是指存在于卷積神經網絡節點內的信息初始結構，可在固定行人目標圖像中像素點梯度值的同時，以核心像素點作為系統檢測指令的實時切入位置，再分別計算各個方向上的圖像梯度分布常量數值。通常情況下，一個模塊復用加速器只對應一個像素點梯度數值，且與之匹配的梯度方向和梯度角度也始終保持在固定參數區間內[14]。設t0代表系統檢測模塊間最小的復用加速時長，t1代表系統檢測模塊間最大的復用加速時長，聯合復頻卷積參量f，可將行人目標檢測系統中的模塊復用加速應用公式定義為：

(1)

其中:δ0代表神經網絡內的最小卷積應用權限，δ1代表神經網絡內的最大卷積應用權限，χ代表與行人目標數據匹配的必要檢測系數，Δy代表單位復用加速時長t行人目標數據的檢測處理總量。至此，實現各項軟硬件執行結構的搭建，在卷積神經網絡結構的支持下，完成新型行人目標檢測系統的設計。

3 實驗分析

為驗證基于卷積神經網絡行人目標檢測系統的實際應用價值，設計對比實驗。在既定背景環境中，設置多個監測攝像頭用于獲取連續的行人目標圖像，如圖8所示，將攝像頭內的數據參量轉換成信息流形式，傳輸至檢測分析主機中，根據各項參量指標的具體變化情況，研究單位時間內行人目標檢測量及目標數據堆積量的具體變化趨勢，其中實驗組分析主機搭載新型行人目標檢測系統，對照組主機1搭載PCA算法，對照組主機2搭載SVM算法。

圖8 實驗檢測圖像

以10 min作為單位檢測時長，分別記錄在5個單位時長內，實驗組、對照組行人目標檢測量的實際變化情況，實驗詳情如表3所示。

表3 行人目標檢測量對比表

由表3可知，實驗組行人目標檢測量在第5組別內的記錄數值最大，平均數量級達到9.45×109T，第1組別內的記錄數值最小，平均數量級僅為8.00×109T，整個實驗過程中的平均數量級達到8.85×109T，處于最大、最小平均數值結果之間；對照組1行人目標檢測量在4組別內的記錄數值最大，平均數量級達到4.35×109T，在第2組別內的記錄數值最小，平均數量級僅為4.20×109T，整個實驗過程中的平均數量級達到4.26×109T，與實驗組平均數值水平相比，下降了4.59×109T；對照組2行人目標檢測量在第4組別內的記錄數值最大，平均數量級達到4.55×109T，在第1組別內的記錄數值最小，平均數量級僅為4.30×109T，整個實驗過程中的平均數量級達到4.41×109T，與實驗組平均數值水平相比，下降了4.44×109T。綜上可知，應用基于卷積神經網絡行人目標檢測系統，具備在單位時間內，增強目標數據信息檢測量的能力。

分別以10 s、20 s、30 s作為周期性檢測時長，逐次加大檢測主機內的目標數據輸入流量，取9次實驗的目標數據堆積量具體數據結果作為分析樣本，研究行人目標數據堆積速率的具體變化趨勢，實驗詳情如表4～6所示。

表4 實驗組目標數據堆積量

表5 對照組1目標數據堆積量

表6 對照組2目標數據堆積量

對比表4～6可知，實驗組目標數據堆積量在周期性檢測時長等于10 s的情況下，具有最大的平均值結果，在周期性檢測時長等于20 s的情況下，具有最小的平均值結果，同時去除最大值與最小值，取周期性檢測時長等于30 s最為分析對象，經計算可知，實驗組目標數據堆積量的平均值僅為1.20×109T/s；對照組1目標數據堆積量在周期性檢測時長等于10 s的情況下，具有最大的平均值結果，在周期性檢測時長等于30 s的情況下，具有最小的平均值結果，同時去除最大值與最小值，取周期性檢測時長等于20 s最為分析對象，經計算可知，對照組1目標數據堆積量的平均值達到3.03×109T/s，與實驗組平均值相比，上升了1.83×109T/s；對照組2標數據堆積量在周期性檢測時長等于10 s的情況下，具有最大的平均值結果，在周期性檢測時長等于30 s的情況下，具有最小的平均值結果，取周期性檢測時長等于20 s最為分析對象，經計算可知，對照組2目標數據堆積量的平均值達到2.82×109T/s，與實驗組平均值相比，上升了1.62×109T/s。綜上可知，應用基于卷積神經網絡行人目標檢測系統，可實現降低單位時間內目標數據堆積速率的初衷。

4 結束語

在卷積神經網絡的支持下，新型行人目標檢測系統改進傳統CNN計算框架，聯合目標傳感器、并行檢測結構等多個硬件執行設備，在建設訓練文件架構的同時，設置必要的模塊復用加速器結構。從實用性角度來看，新型檢測系統可解決PCA、SVM算法中目標檢測量低、數據堆積速率快的問題，具備較強的實用適應性。