入侵检测模型建立方法、装置及数据处理设备

1.一种入侵检测模型建立方法，其特征在于，所述方法包括：获取从铁路沿线采集的多个训练图像，所述多个训练图像包括图像标签为有入侵行人的训练图像及图像标签为没有入侵行人的训练图像；分别对所述多个训练图像进行HOG特征提取，获得各所述训练图像的第一图像特征；将所述多个训练图像和所述图像标签输入改进AlexNet网络结构的卷积神经网络进行训练；针对每个所述训练图像，通过所述改进AlexNet网络结构的卷积神经网络提取该训练图像的第二图像特征，并根据该训练图像的第一图像特征及第二图像特征的组合进行分类训练，得到训练完成的卷积神经网络模型；其中，所述改进AlexNet网络结构的卷积神经网络包括：第一卷积层，由32个大小为7*7的卷积核构成，该第一卷积层包括卷积部分、BN层和ReLu激励函数；第二卷积层，由32个大小为7*7，扩充边缘为2的卷积核构成，该第二卷积层包括卷积部分、标准化层、ReLu激励函数和降采样层，该第二卷积层的降采样层中卷积核大小为3*3，步长为2；第三卷积层，由64个大小为5*5，扩充边缘为2的卷积核构成，该第三卷积层包括卷积部分、标准化层、ReLu激励函数和降采样层，该第三卷积层的降采样层中卷积核大小为3*3，步长为2；第四卷积层，由192个大小为3*3，扩充边缘为1的卷积核构成，该第四卷积层包括卷积部分、标准化层和ReLu激励函数，该第四卷积层无降采样层；第五卷积层，由384个大小为3*3，扩充边缘为1的卷积核构成，该第五卷积层包括卷积部分、标准化层和ReLu激励函数；第六卷积层，由256个大小为3*3，扩充边缘为1的卷积核构成，该第六卷积层无标准化层，降采样层中卷积核大小为3*3，步长为2；第一全连接层，神经元数目为4096，包括全连接层、标准化层及ReLu激励函数，该第一全连接层有4096个6*14*256尺寸的滤波器对输入数据进行卷积运算，通过4096个神经元输出运算结果；对4096个运算结果进行标准化处理，然后通过ReLu激活函数生成的4096个值为该第一全连接层的输出结果；第二全连接层，神经元数目为4096，包括全连接层及ReLu激励函数，没有标准化层，该第二全连接层有4096个滤波器对输入数据进行卷积运算，通过4096个神经元输出图像的所述第二图像特征；并将第二图像特征与第一图像特征进行拼接，得到7876维的组合特征；第三全连接层，用于将7876维的所述组合特征作为输入，转化为4096维的特征；第四全连接层，所述第四全连接层为分类层，用于根据图像的第一图像特征和第二图像特征的特征组合进行分类识别获得对应的图像标签。 2.根据权利要求1所述的方法，其特征在于，在获取训练样本集之后，所述方法还包括：将所述多个训练图像调整为相同尺寸。 3.根据权利要求2所述的方法，其特征在于，所述分别对所述多个训练图像进行HOG特征提取，获得各所述训练图像的第一图像特征的步骤，包括：对所述训练图像进行颜色空间标准化；计算所述训练图像各像素点的梯度幅值和梯度方向；按照预设窗口尺寸及预设滑动步长从所述训练图像提取为多个图像块；根据所述像素点的梯度幅值和梯度方向，计算每个所述图像块内每个预设大小的图像细胞内的HOG特征，并根据所述图像细胞的HOG特征组合得到每个像素块的HOG特征；将多个图像块的HOG特征组合得到所述训练图像的第一图像特征。 4.根据权利要求2所述的方法，其特征在于，所述将所述多个训练图像调整为相同尺寸的步骤，包括：将所述多个训练图像通过拉伸或压缩的方式调整为预设尺寸。 5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取待识别图像；对所述待识别图像进行HOG特征提取，获得该待识别图像的第一图像特征；将所述待识别图像输入预先训练的所述卷积神经网络进行特征提取，获得该待识别图像的第二图像特征，并通过所述卷积神经网络的分类网络对所述待识别图像的第一图像特征及第二图像特征的组合进行识别分类，获得与该待识别图像对应的识别结果，所述识别结果包括表征该待识别图像中有入侵行人或没有入侵行人的图像标签。 6.根据权利要求5所述的方法，其特征在于，所述获取待识别图像的步骤，包括：通过快速背景差分算法在铁道监控视频图像中获取监控画面有变化的图像作为待识别图像。 7.一种入侵检测模型建立装置，其特征在于，所述装置包括：训练图像获取模块，用于获取从铁路沿线采集的多个训练图像，所述多个训练图像包括图像标签为有入侵行人的训练图像及图像标签为没有入侵行人的训练图像；HOG特征提取模块，分别对所述多个训练图像进行HOG特征提取，获得各所述训练图像的第一图像特征；模型训练模块，用于将所述多个训练图像和所述图像标签输入改进AlexNet网络结构的卷积神经网络进行训练；针对每个所述训练图像，通过所述改进AlexNet网络结构的卷积神经网络提取该训练图像的第二图像特征，并根据该训练图像的第一图像特征及第二图像特征的组合进行分类训练，得到训练完成的卷积神经网络模型；其中，所述改进AlexNet网络结构的卷积神经网络包括：第一卷积层，由32个大小为7*7的卷积核构成，该第一卷积层包括卷积部分、BN层和ReLu激励函数；第二卷积层，由32个大小为7*7，扩充边缘为2的卷积核构成，该第二卷积层包括卷积部分、标准化层、ReLu激励函数和降采样层，该第二卷积层的降采样层中卷积核大小为3*3，步长为2；第三卷积层，由64个大小为5*5，扩充边缘为2的卷积核构成，该第三卷积层包括卷积部分、标准化层、ReLu激励函数和降采样层，该第三卷积层的降采样层中卷积核大小为3*3，步长为2；第四卷积层，由192个大小为3*3，扩充边缘为1的卷积核构成，该第四卷积层包括卷积部分、标准化层和ReLu激励函数，该第四卷积层无降采样层；第五卷积层，由384个大小为3*3，扩充边缘为1的卷积核构成，该第五卷积层包括卷积部分、标准化层和ReLu激励函数；第六卷积层，由256个大小为3*3，扩充边缘为1的卷积核构成，该第六卷积层无标准化层，降采样层中卷积核大小为3*3，步长为2；第一全连接层，神经元数目为4096，包括全连接层、标准化层及ReLu激励函数，该第一全连接层有4096个6*14*256尺寸的滤波器对输入数据进行卷积运算，通过4096个神经元输出运算结果；对4096个运算结果进行标准化处理，然后通过ReLu激活函数生成的4096个值为该第一全连接层的输出结果；第二全连接层，神经元数目为4096，包括全连接层及ReLu激励函数，没有标准化层，该第二全连接层有4096个滤波器对输入数据进行卷积运算，通过4096个神经元输出图像的所述第二图像特征；并将第二图像特征与第一图像特征进行拼接，得到7876维的组合特征；第三全连接层，用于将7876维的所述组合特征作为输入，转化为4096维的特征；第四全连接层，所述第四全连接层为分类层，用于根据图像的第一图像特征和第二图像特征的特征组合进行分类识别获得对应的图像标签。 8.根据权利要求7所述的装置，其特征在于，所述装置还包括识别图像获取模块及入侵识别模块，其中，所述识别图像获取模块用于获取待识别图像；所述HOG特征提取模块还用于对所述待识别图像进行HOG特征提取，获得该待识别图像的第一图像特征；所述入侵识别模块用于将所述待识别图像输入预先训练的所述卷积神经网络进行特征提取，获得该待识别图像的第二图像特征，并通过所述卷积神经网络的分类网络对所述待识别图像的第一图像特征及第二图像特征的组合进行识别分类，获得与该待识别图像对应的识别结果，所述识别结果包括表征该待识别图像中有入侵行人或没有入侵行人的图像标签。 9.一种数据处理设备，其特征在于，包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行的指令，所述指令在被所述处理器执行时，促使所述数据处理设备实现权利要求1-6任意一项所述的方法。