基于改进的区域候选网络的行人检测

摘要：

通过Caltech数据集训练区域候选网络时,发现其在场景复杂情况下存在大量的漏检和误检.经分析:一是区域候选网络使用VGG网络提取待检测图片特征,由于VGG网络层数较少,提取的特征不能够很好地表达行人;二是锚边框的尺度通过手工设计,没有利用到行人的尺度先验信息.针对以上2个问题,提出了一种改进的区域候选网络的行人检测方法,首先通过使用分类能力更强的ResNet提取待检测图片特征,然后利用检测小网络在卷积特征图上滑动,预测多个锚边框区域是否是行人并对锚边框位置和尺度进行修正,其中锚边框尺度通过KMeans算法计算得到.结果表明:本文算法在Caltech数据集上,比传统的VJ和HOG方法漏检率分别低36.23％、27.09％,比基于深度学习的方法PedFaster RCNN、MRFC+ Se-mantic和UDN+漏检率分别低6.78％、3.73％、1.53％.研究表明本文改进的区域候选网络能够较好的检测行人.

关键词：区域候选网络、行人检测、深度残差网络

所属期刊栏目：32

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61763033,61662049,61741312

在线出版日期：2018-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-7,43