基于深度學習的特定場景下的行人檢測方法研究.pdf

1、行人檢測一直是計算機視覺中，尤其是目標檢測領(lǐng)域的研究重點。而由于環(huán)境的時變性和多樣性，不同場景之間樣本不滿足同分布，普通場景下訓練得到的檢測器直接應用到某一特定場景時性能會急劇下降。基于這樣的背景，本文依據(jù)場景的復雜程度不同提出了兩種對應的解決方法，主要工作和創(chuàng)新點如下:
　　1)當背景比較簡單時，容易獲取樣本的標定信息，本文提出了一種快速的行人檢測算法，首先基于結(jié)構(gòu)化局部邊緣模式計算樣本特征，然后通過積分圖技術(shù)快速計算分類器分數(shù)

2、，從而使得檢測過程更加高效。實驗表明該方法在保證檢測精度的情況下提高了行人檢測的速度。
　　2)當場景比較復雜時，我們必須要有足夠的樣本支撐去訓練一個魯棒性的行人檢測器，然而對所有特定場景中數(shù)據(jù)集都進行人工標定，是一個耗時耗力的工作。針對這個問題，本文提出一種在不需要任何人工標定的情況下的特定場景行人檢測算法:在特征學習階段，多層卷積稀疏編碼(Multi-stage convolutionalsparse coding)用來學習樣

3、本的深層信息，一方面這些信息可以作為先驗知識，以重構(gòu)誤差的方式權(quán)重化普通場景中的訓練樣本，指導后面遷移學習的進行;另一方面無監(jiān)督預訓練扮演著正則化的角色，當初始化點限制在較小范圍時，其作為先驗知識克服了后面有監(jiān)督訓練時候的彌散問題，從而使得優(yōu)化的時候更加準確快速。在分類器訓練階段，基于置信度編碼MLP(Confidence-encoded MLP)，利用新設(shè)計的目標函數(shù)將普通場景中的樣本遷移到特定場景中進行分類器訓練，當樣本適用特定場景