基于深度學(xué)習(xí)的行人檢測.pdf

1、行人檢測技術(shù)由于應(yīng)用的廣泛性使其在計(jì)算機(jī)視覺領(lǐng)域成為一個重要分支，對視頻監(jiān)控、車輛輔助駕駛、智能機(jī)器人等多個領(lǐng)域提供了重要的技術(shù)支持。比如視頻監(jiān)控中關(guān)注的主要是行人的運(yùn)動軌跡和行為，要實(shí)現(xiàn)對行人跟蹤和行為分析首先要做的就是檢測出視頻中的行人。然而現(xiàn)實(shí)生活中由于行人在衣著上的多樣性、形態(tài)變化的多樣性、所處背景的多樣性、光照強(qiáng)弱的多樣性、行人之間相互遮擋使得行人檢測存在著諸多需要解決的問題。
　　如何設(shè)計(jì)一個與其他類別之間差異大，行人

2、之間的類內(nèi)差異小并且不受光照等多樣性因素影響的特征，以及如何訓(xùn)練一個區(qū)分力強(qiáng)的分類器是行人檢測領(lǐng)域的研究重點(diǎn)。2005年梯度方向直方圖（HOG特征）的提出是這個領(lǐng)域一個重要的突破，此后大多數(shù)行人檢測特征都是基于梯度方向直方圖特征進(jìn)行改進(jìn)的。一般來說專家設(shè)計(jì)優(yōu)秀的特征即使對于有扎實(shí)專業(yè)基礎(chǔ)知識的研究人員也是很困難的，深度學(xué)習(xí)算法能很好地解決這個難題，它能自動地結(jié)合不同的分類任務(wù)從數(shù)據(jù)中學(xué)習(xí)并提取特征。近幾年來，深度學(xué)習(xí)在大規(guī)模圖像分類方面

3、取得的了重大突破，表明深度學(xué)習(xí)可以從多媒體內(nèi)容中提取具有很強(qiáng)表達(dá)能力的特征，從而有效地解決語義鴻溝的問題。
　　本文在對行人檢測和深度學(xué)習(xí)相關(guān)技術(shù)進(jìn)行充分調(diào)研的基礎(chǔ)上，總結(jié)了行人檢測主要難點(diǎn)和現(xiàn)有方法存在的問題，重點(diǎn)研究了基于深度學(xué)習(xí)的行人檢測方法，取得的主要研究成果如下。
　　(1)針對傳統(tǒng)行人檢測需要專家設(shè)計(jì)特征以及特征存在的魯棒性不強(qiáng)的問題，本文結(jié)合深度學(xué)習(xí)方法進(jìn)行行人檢測，該方法能夠利用深度卷積神經(jīng)網(wǎng)絡(luò)框架自動的從行

4、人數(shù)據(jù)庫中學(xué)習(xí)行人的特征。但是通常深度學(xué)習(xí)網(wǎng)絡(luò)的層次較深，需要學(xué)習(xí)參數(shù)非常多，只有在訓(xùn)練樣本充足時才能有效地避免網(wǎng)絡(luò)訓(xùn)練過擬合。對此本文采用基于內(nèi)容的圖像檢索方法進(jìn)行數(shù)據(jù)擴(kuò)充，該方法在進(jìn)行數(shù)據(jù)庫擴(kuò)充時充分考慮到原數(shù)據(jù)庫的行人分辨率，背景分布等因素，使擴(kuò)充后的數(shù)據(jù)庫仍然保持INRIA數(shù)據(jù)庫原有的數(shù)據(jù)分布，從而有利于訓(xùn)練對INIRIA數(shù)據(jù)庫檢測效果更佳的深度學(xué)習(xí)網(wǎng)絡(luò)。
　　(2)針對行人檢測窗口選擇過程中使用滑動窗口產(chǎn)生冗余窗口較多且

5、質(zhì)量不高的問題，本文提出了一種多策略窗口選擇的方法，該方法先利用選擇性搜索算法提取質(zhì)量高的預(yù)選區(qū)域，然后結(jié)合圖像中行人特性和二值規(guī)范化梯度算法對預(yù)選區(qū)域進(jìn)行過濾去除大量冗余窗口。最終產(chǎn)生了數(shù)目少、質(zhì)量高的窗口，為后續(xù)的特征提取及分類提供了很好的保障。
　　(3)基于上述研究，本文設(shè)計(jì)了一套基于深度學(xué)習(xí)的行人檢測系統(tǒng)，利用這套系統(tǒng)我們完成了通過多組對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明:利用基于內(nèi)容的圖像檢索方法進(jìn)行數(shù)據(jù)擴(kuò)充后訓(xùn)練的基于深度學(xué)習(xí)的行