基于深度学习的行人检测算法研究..pdfVIP

基于深度学习的行人检测算法研究 摘 要 行人检测属于计算机视觉和目标检测领域的一个重要研究方向。相关研究成 果在智能监控、智能交通、车辆辅助驾驶等具体场景中进行了大量的应用。由于 在复杂场景下存在光照不均、遮挡、噪声干扰大等因素，目前行人检测算法在实 际场景的应用中仍面临检测率低、对小目标不敏感等挑战。本文在卷积神经网络 基础上构建速度更快、精度更高的行人检测算法，为复杂场景下的行人检测提供 了新的方法。 首先，本文对国内外行人检测算法的研究现状进行了详细介绍，指出和分析 了目前行人检测任务面临的主要难点。同时介绍了基于人工特征表示与分类器结 合的方法和现有基于深度学习的行人检测方法各自的优缺点。对行人检测算法常 用的数据集和评估标准进行了介绍。 其次，本文在基于深度学习的FasterRCNN算法基础上，根据行人数据集的 特点对其进行相应改进。针对多尺度行人目标，利用三种不同尺寸的滑动窗来生 成候选区域从而获得更好的感受野。通过特征拼接的方法对卷积网络中浅层细节 特征和深层高语义特征进行特征融合，从而提高系统对多尺度目标的检测能力。 最后在开源深度学习框架中对该算法在VOC 2007数据集上进行了实验。实验结 果表明，本文在FasterRCNN基础上进行的改进措施能够有效提高行人检测系统 在相关数据集中的检测能力。 最后，针对基于交通场景下的车载视频Caltech数据集特点对Faster RCNN 算法进行相应改进，由于行人检测任务本质是个二分类的问题，本文分类时的全 连接层输出神经元个数仅为2048，从而减少了系统过拟合。为了更好的适应 Caltech数据集中行人的长宽比特点，采用的区域池化后的特征长宽分别为 8×4。为了提高网络的检测能力，本文增加了候选窗口周围上下文环境池化的区 域池化方式。在Caltech数据集上的实验结表明，本文改进后的方法可以实现更 高的检测精度。 关键词：深度学习；目标检测；神经网络；特征融合 I 目 录 摘 要I ABSTRACT II 第一章 绪论1 1.1 研究背景及意义 1 1.2 行人检测的难点及研究现状2 1.2.1 行人检测的难点分析2 1.2.2 行人检测研究现状3 1.3 论文主要内容及组织结构4 第二章 行人检测技术相关理论综述6 2.1 经典的行人特征表示方法6 2.1.1HOG特征6 2.1.2LBP 特征7 2.2 传统的分类算法概述8 2.2.1 基于SVM 分类算法8 2.2.2 基于AdaBoost 分类算法9 2.3 基于深度学习的行人检测算法概述9 2.3.1 基于区域建议的检测方法10 2.3.2 基于回归的检测方法12 2.4 深度学习框架特征使用准则 13 2.5 行人数据集及评估标准 14 2.5.1 行人数据集14 2.5.2 行人检测算法评估标准15 2.6 本章总结 16 第三章 针对多尺度行人的检测算法设计 17 3.1 基于Faster RCNN 的多尺度行人检测算法设计 17 3.1.1 特征提取网络设计18 1 3.1.2 区域建议网络 （RPN）设计19 3.1.3 检测网络及训练21 3.2 特征融合22 3.3 模型训练23 3.4 实验结果及分析24 3.4.1 数据集24 3.4.2 在VOC2007 数据集上检测结果及分析24 3.4.3 部分检测示例28 3.5 本章总结28 第四章 针对交通环境下行人检测算法设计29 4.1 数据集选择29 4.2 基于Faster RCNN 的交通环境行人检测算法29 4.2.1 特征提取网络29 4.2.2 区域生成网络29 4.2.3 候选窗口分类器设计31 4.2.4 非极大值抑制算法流程3