论文部分内容阅读
行人检测是以计算机视觉技术为手段,检测图像或视频中的行人并标记出行人的精确位置。随着深度学习的快速发展,深度卷积神经网络算法已经成为科研人员解决行人检测问题的主流方向。由于行人既具有物体的刚性特点,又具有柔性的特性,外观容易受到姿态、遮挡、穿着、视觉等不同的影响,行人检测是一个颇具挑战的任务。现实场景中,只有同时满足检测速度的实时性和较高的检测性能,才能及时地发现异常并进行预警。为此,研究出更快速及性能较好的行人检测算法是一项具有现实意义的工作。本文选取在检测性能和检测速度都表现较好的目标检测算法RefineDet应用于行人检测作为研究对象,并针对其网络结构做了改进,提出了一种多特征最大值融合RefineDet的方法,简称MFMF-RefineDet。本文提出的MFMF-RefineDet算法在行人检测数据集Caltech进行了验证,针对320?320的输入图像,漏检率是16.9%,比原始RefineDet算法提高了7.7%,而检测速度达到了0.026秒处理每帧图像;针对512?512的输入图像,漏检率是12.7%,比原始RefineDet算法提高了2.6%,而检测速度达到了0.057秒处理每帧图像。与现有的一些著名的行人检测算法相比,本文提出的MFMFRefineDet算法极大地提高了检测速度,而且本文提出的MFMF-RefineDet算法在行人较小和遮挡严重情况下检测性能高于它们。为了降低卷积神经网络的计算复杂性,本文将轻量级网络应用于行人检测,提出了四种轻量级网络的行人检测算法,分别为MobileNet V1-RefineDet、MobileNet V2-RefineDet、ShuffleNet V1-RefineDet以及ShuffleNet V2-RefineDet。本文主要将RefineDet算法中的主干网络VGG-16分别替换成轻量级网络MobileNet V1、MobileNet V2、ShuffleNet V1以及ShuffleNet V2,为了使整体网络结构保持一致性,对其网络进行了调整。实验结果表明,在四种轻量级网络的行人检测算法中,MobileNet V2-RefineDet的检测性能最好,MobileNet V1-RefineDet的检测速度最快。针对MobileNet V2-RefineDet算法,本文额外增加了一个预训练模型,提高了检测性能,与原始的RefineDet算法相比,检测性能和检测速度都十分接近,但是在模型大小上,MobileNet V2-RefineDet占有极大优势。