基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè).pdf

1、行人檢測(cè)是計(jì)算機(jī)對(duì)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(cè)出所有行人的邊界框，如果有人的話(huà)還需要將每個(gè)行人從其所在的背景中分割出進(jìn)行精準(zhǔn)的定來(lái)并位。目前，行人檢測(cè)技術(shù)已被廣泛的應(yīng)用于智能視頻監(jiān)控、智能機(jī)器人、智能交通以及車(chē)輛輔助駕駛等領(lǐng)域中，也是行人跟蹤和行人身份再識(shí)別等領(lǐng)域的基礎(chǔ)性工作。雖然該項(xiàng)技術(shù)已有了很大的突破，但仍然有很多難點(diǎn)，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(wèn)題導(dǎo)致的。

2、　　行人檢測(cè)任務(wù)有兩個(gè)關(guān)鍵問(wèn)題。其一為需要提取魯棒性的特征。傳統(tǒng)的行人檢測(cè)方法提取的是手工設(shè)計(jì)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(yǔ)義信息。此外，為了提高最終的檢測(cè)效果，需要對(duì)目標(biāo)進(jìn)行精確定位，傳統(tǒng)方法在解決這一問(wèn)題時(shí)不僅耗時(shí)還會(huì)產(chǎn)生很多冗余窗口，導(dǎo)致檢測(cè)效果并不是很好。
　　本文主要圍繞以上兩個(gè)關(guān)鍵問(wèn)題進(jìn)行研究。主要研究?jī)?nèi)容為:(1)

3、結(jié)合深度學(xué)習(xí)的方法，設(shè)計(jì)基于Fast R-CNN的行人檢測(cè)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(yǔ)義鴻溝的問(wèn)題;(2)為了提取具有高質(zhì)量的感興趣目標(biāo)區(qū)域來(lái)提高檢測(cè)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(shí)間復(fù)雜度以及防止訓(xùn)練過(guò)程中出現(xiàn)梯度彌散等現(xiàn)象，在檢測(cè)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(shí)驗(yàn)結(jié)果表明，在INRIA和ETH數(shù)據(jù)集上均取得了令人滿(mǎn)意的檢