改进的卷积神经网络行人检测方法.pdfVIP

JournalofComputerApplications ISSN1001．9081 2017．06—10 CODEN 计算机应用，2017，37(6)：1708—1715 JYIIDU http：／／www． 文章编号：1001—9081(2017)06．1708．08 DOI：10。1 改进的卷积神经网络行人检测方法 2 徐超1，闫胜业L (1．江苏省大数据分析技术重点实验室(南京信息工程大学)，南京210044； 2．大气环境与装备技术协同创新中心，南京210044) (}通信作者电子邮箱shengye．yah@gmail．COB) 摘要：为了在行人检测任务中使卷积神经网络(CNN)选择出更优模型并获得定位更准确的检测框，提出一种 改进的基于卷积神经网络的行人检测方法。改进主要涉及两个方面：如何决定CNN样本迭代学习次数和如何进行重 合窗口的合并。首先，关于CNN样本迭代次序问题，在顺序迭代训练多个CNN分类模型的基础上．提出一种基于校 验集正确率及其在迭代系列分类器中展现出的稳定性进行更优模型选择的策略，以使最终选择的分类器推广能力更 优。其次，提出了一种不同于非极大值抑制(NMS)的多个精确定位回归框合并机制。精确定位回归框的获取以CNN 检测过程输出的粗定位框作为输入。然后，对每个粗定位框应用CNN精确定位过程并获得对应的精确定位回归框。 最后，对多个精确定位回归框进行合并，合并过程考虑了每个精确定位回归框的正确概率。更精确地说，最终的合并 窗口是基于多个相关的精确定位回归框的概率加权求和方式获得。针对提出的两个改进，在国际上广泛使用的行人 检测公共测试数据集ETH上进行了一系列实验。实验结果表明，所提的两个改进方法均能有效地提高系统的检测性 能，在相同的测试条件下，融合两个改进的方法相比FastR．CNN算法检测性能提升了5．06个百分点。 关键词：深度学习；卷积神经网络；图像分类；行人检测 中图分类号：TP391．41文献标志码：A detectionmethodbasedonconvolutionalneuralnetwork Improvedpedestrian XU Cha01，YAN Shengyel，2+ (I．Jiangsu研Laboratoryof Data Big Analys括Technology(NanfingUniversityofInformation Jfangsu210044，China； ScienceTechnology)，Nanjing 2．CollaborativeInnovationCenter Environmentand ofAtmospheric EquipmentTechnology，NanjingJiangsu210044，China) Abstract：Inordertochoosebettermodeland moreaccurate when theConvolutionalNeural acquire bounding—box