在军队营区的日常管理中,具有使用视频监控图像对营区管理秩序进行规范的需求。根据军队的《队列条令》,军人在营区中徒步行进时,需按照“两人成行,三人及以上成列”的方式行进。然而,部分同志因放松对自身的要求,偶尔会出现“三人及以上成行”的情况,不利于部队营区管理整齐划一。对于部分同志的这一行为,单位行政管理部门希望能够及时发现、有效取证以便对这种违规行为进行纠正,从而促使军人时刻保持良好的作风养成。通常,营区道路已建设了较为完备的视频监控系统,按照常规做法,督查岗位的同志需要通过长时间回放录像来发现道路上的这种违规行为,并进行截屏取证,这种做法耗时耗力,已不适应形势发展的需要。本算法的提出,为行人队形检测需求提供了一种解决方法。该算法具有对视频图像中的行人队形进行检测,对“三人及以上成行”和“三人及以上成列”两种情形进行分类的功能。开展违规队形自动识别研究对提升军队营区秩序管理自动化、高效化具有实际应用意义;同时,通过本文研究,得出传统机器学习方式和深度卷积神经网络方式共四种模型在构建行人队形检测算法的性能差别情况,并提炼出通过对神经网络Inception V2的汇聚层进行优化来提升队形检测网络性能的方法。为实现这一算法,本文主要围绕检测“三人及以上成行行进”的违规情形所涉及的主要基础理论、检测模型选择和优化、训练图像集和测试图像集构建、编程实现、算法性能验证比较等内容开展研究。本文采用了传统机器学习和深度卷积神经网络两种不同方式分别对行人违规队形检测算法进行研究。传统机器学习方式涉及的基础理论主要包括图像特征检测和匹配算法、SVM（Support Vector Machines）自动分类算法、图像金字塔算法、滑动窗口算法、非最大抑制算法,以及基于Python和Open CV的数字图像识别API（程序编程接口）;深度卷积神经网络方式涉及的基础理论主要包括常用卷积网络整体结构、卷积层和汇聚层基本理论,当前流行的SSD＿Inception V2和Faster＿RCNN＿Inception V2网络模型,以及基于Tensorflow API的inception V2网络模型汇聚层汇聚核调整与优化。根据以上两种实现方式,本文使用了传统机器学习SVM,深度卷积神经网络的SSD＿Inception V2、Faster＿RCNN＿Inception V2,以及本文改进的IFRI（improved Faster＿RCNN＿Inception V2）共四种模型依次对相同的图像数据集开展训练和识别。通过实验得出,传统机器学习的SVM模型和深度卷积神经网络的SSD＿Inception V2模型的漏报率和误报率均较高,不能满足应用要求;Faster＿RCNN＿Inception V2模型相比前两种模型漏报率和误报率均有所降低,特别是图像中远处尺度较小目标的识别效果得到提升。最后根据行人队形检测任务主要是完成人员相互位置特征检测的特点,以及深度卷积神经网络汇聚层具有降低网络的特征数量和减少参数数量的特性,提出对Faster＿RCNN＿Inception V2汇聚层进行优化,适当增大汇聚层的汇聚核,并使用最大汇聚函数,以保留人员身体轮廓特征,并降低与队形特征无关的人脸特征、衣服纹理特征、背景特征等像素引起的噪声的方法。该方法将原始Faster＿RCNN＿Inception V2模型的FNR（False Negative Rate）即漏报率值由0.32降至0.05,FPR（False Positive Rate）即误报率值由0.19降至0.02,提升了网络的检测性能,达到了较为理想的结果。本文的研究表明,在人员队形检测任务中,IFRI网络检测性能最佳且比原始Faster＿RCNN＿Inception V2有明显提升。由此可知,在人员队形检测中,通过适当增大卷积神经网络汇聚核可实现图像信息的降维,提升对不相关纹理噪声信息的抑制效果,从而提升队形检测性能。本文研究结论也适用于其他物体的队形检测算法的开发实践。