融合密度和精细分数的行人检测
目的 行人检测是指使用矩形框和置信度找出图像或者视频中的所有行人.传统的图像行人检测方法对于姿态各异或者相互遮挡的行人无能为力.深度神经网络(deep neural networks,DNN)在目标检测领域表现出色,然而依然难以解决行人检测中一些问题.本文提出一种融合密度和精细分数的行人检测方法DC-CSP(density map and classifier modules with center and scale prediction).方法 首先,在CSP(center and scale prediction)网络的基础上添加密度图模块(density map module,DMM)和分类器模块(classifier module,CM),得到DC-CSP网络;然后,针对置信度不精确问题,利用不同模块对分数预测结果的互补性质,设计阶段分数融合(stage score fusion,SSF)规则对检测分数进行更新,使得行人置信度上升、背景置信度下降;最后,基于NMS(non-maximum suppression),利用估计的行人密度图,设计改进的自适应NMS(improved adaptive NMS,IAN)后处理方法,能够进一步改善检测结果,对相互遮挡行人提高交并比(intersection over union,IOU)阈值从而减少漏检,对单个行人降低IOU阈值从而减少错检.结果 在公开数据集Citypersons和Caltech上进行定量和定性分析.定量分析中,与其他方法相比,本文方法在Citypersons数据集的Reasonable、Heavy、Partial以及Bare子集上,对数平均漏检率分别下降了0.8％、1.3％、1.0％和0.8％,在Caltech数据集的Reasonable和All子集上分别下降了0.3％和0.7％;在定性分析中,可视化结果表明,本文方法在一定程度上解决了各种不同场景下存在的相互遮挡行人漏检、单个行人错检以及置信度不精确等一系列问题.此外,消融实验证明了所设计模块及其对应规则的有效性.结论 本文方法使用联合多个模块的卷积神经网络(convolutional neural network,CNN),针对密度特征、分类特征分别设计IAN方法和SSF规则,在一定程度上解决了相互遮挡行人漏检、单个行人错检以及置信度不精确的问题,在多个数据集上证明了方法的有效性和鲁棒性.
城市场景、行人检测、卷积神经网络(CNN)、密度图、分数融合、自适应后处理
26
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61673362
2021-03-22（万方平台首次上网日期，不代表论文的发表时间）
共13页
425-437
