基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測.pdf

1、行人檢測是計算機對于給定的視頻序列或者靜態(tài)圖片，判斷其中是否有人，并預(yù)測出所有行人的邊界框，如果有人的話還需要將每個行人從其所在的背景中分割出進行精準的定來并位。目前，行人檢測技術(shù)已被廣泛的應(yīng)用于智能視頻監(jiān)控、智能機器人、智能交通以及車輛輔助駕駛等領(lǐng)域中，也是行人跟蹤和行人身份再識別等領(lǐng)域的基礎(chǔ)性工作。雖然該項技術(shù)已有了很大的突破，但仍然有很多難點，主要原因是由于行人姿態(tài)各異、行人外觀多樣以及行人所處的背景復(fù)雜多樣等問題導(dǎo)致的。

2、　　行人檢測任務(wù)有兩個關(guān)鍵問題。其一為需要提取魯棒性的特征。傳統(tǒng)的行人檢測方法提取的是手工設(shè)計的HOG(Histogram of Oriented Gradient)等特征，這些特征僅僅利用了圖像的低層或中層信息，而忽略了高層語義信息。此外，為了提高最終的檢測效果，需要對目標進行精確定位，傳統(tǒng)方法在解決這一問題時不僅耗時還會產(chǎn)生很多冗余窗口，導(dǎo)致檢測效果并不是很好。
　　本文主要圍繞以上兩個關(guān)鍵問題進行研究。主要研究內(nèi)容為:(1)

3、結(jié)合深度學(xué)習(xí)的方法，設(shè)計基于Fast R-CNN的行人檢測框架，該方法能夠提取具有魯棒性的特征，可以很好的解決語義鴻溝的問題;(2)為了提取具有高質(zhì)量的感興趣目標區(qū)域來提高檢測效果，使用EdgeBoxes方法，可以產(chǎn)生具有高質(zhì)量并且低冗余的候選窗口;(3)為了降低網(wǎng)絡(luò)的訓(xùn)練時間復(fù)雜度以及防止訓(xùn)練過程中出現(xiàn)梯度彌散等現(xiàn)象，在檢測框架中的卷積層和激活函數(shù)層之間引入了批量歸一化層。實驗結(jié)果表明，在INRIA和ETH數(shù)據(jù)集上均取得了令人滿意的檢