基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的行人檢測問題研究.pdf

1、行人檢測一直是機器視覺領(lǐng)域的研究熱點和難點，其在智能監(jiān)控、智能交通和智能機器人等人工智能領(lǐng)域應(yīng)用越來越廣泛，比如在交通安全領(lǐng)域，利用行人檢測技術(shù)可以預(yù)判前方及附近是否有行人，若發(fā)現(xiàn)則立即采取緊急制動，這樣能夠有效避免車輛碰撞行人，減少人員傷亡。行人檢測不同于普通目標(biāo)檢測，行人屬于非剛性目標(biāo)，在現(xiàn)實生活中，行人穿著各式各樣、人體姿態(tài)千變?nèi)f化、所處背景復(fù)雜多變、光照不足以及行人之間相互遮擋等情形給這項工作帶來巨大的挑戰(zhàn)。前人提出了許多有效的

2、行人檢測算法，其中最有代表性的是梯度直方圖（Histogram of Oriented Gradient，HOG）特征，但其在更為復(fù)雜的背景環(huán)境下檢測效果仍然不是很理想。
　　近年來，深度學(xué)習(xí)重新進入人們的視角，其中深度卷積神經(jīng)網(wǎng)絡(luò)在模式識別方面更是取得了重大的突破，說明了其在特征提取方面的優(yōu)越性。本文在充分研究行人檢測技術(shù)以及深度學(xué)習(xí)尤其是深度卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上取得如下成果：
　?。?）設(shè)計了基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的行

3、人檢測系統(tǒng)。針對傳統(tǒng)人工設(shè)計的特征提取復(fù)雜度高且難以有效表達復(fù)雜場景中的行人特征的問題，本文采用深度卷積神經(jīng)網(wǎng)絡(luò)模型來進行行人檢測，該模型通過組合低層特征形成更加抽象的高層表示屬性類別或特征，進而從樣本中提取魯棒性更強、更能刻畫圖像的特征向量。由于網(wǎng)絡(luò)模型層次較深，需要訓(xùn)練參數(shù)較多，而人工標(biāo)注行人的數(shù)據(jù)樣本較少，為了防止訓(xùn)練過程中的過擬合現(xiàn)象發(fā)生，本文采用微調(diào)的方法訓(xùn)練網(wǎng)絡(luò)。最后，通過多組實驗的驗證，與基于HOG特征的方法想比，該算法能

4、夠明顯提升行人檢測的準(zhǔn)確率。
　?。?）針對行人檢測系統(tǒng)中采用選擇性搜索算法（Selective Search，SEL）獲取預(yù)選區(qū)域效率低下的問題，本文采用Edge Boxes算法優(yōu)化了行人檢測系統(tǒng)。預(yù)選窗口的獲取對于行人檢測系統(tǒng)至關(guān)重要，利用選擇性搜索算法提取一張圖像的預(yù)選區(qū)域需要花費2秒左右，這嚴(yán)重影響了整個行人檢測系統(tǒng)的檢測效率。當(dāng)本文采用Edge Boxes算法提取預(yù)選區(qū)域時，雖然檢測準(zhǔn)確率沒有明顯的提升，但只需要耗費0.

5、3秒的時間來提取一張圖片的窗口，大大改善了系統(tǒng)的檢測效率。
　?。?）設(shè)計了基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的行人檢測框架。針對采用深度卷積神經(jīng)網(wǎng)絡(luò)進行特征提取難以保證實時性的問題，本文在網(wǎng)絡(luò)模型中引入了感興趣區(qū)域匯聚層（RoI Pooling Layer），通過該層模型只需要對原圖像提取一次卷積特征，并將預(yù)選區(qū)域映射到特征圖（Feature Map）中后，得到固定維度的特征向量。實驗表明，使用該方法在保證一定檢測準(zhǔn)確率的情況能夠極大的提