论文部分内容阅读
行人检测在车辆辅助驾驶系统、视频监控、机器人开发等计算机领域广泛被应用。由于众多因素的影响,如光照不均、严重遮挡、极低分辨率以及目标过小等,使得复杂场景下的行人检测技术在实际应用中仍然存在严重的漏检、误检等问题。基于深度学习的目标检测技术被广泛的应用到大数据分析与处理中,取得了不凡的成绩,为改进复杂场景下的行人检测算法提供了思路。论文对比研究了传统的行人检测方法和基于深度学习的行人检测方法的检测精度和速度,结合行人检测现有技术存在的问题,重点研究了基于深度学习的行人检测算法,对 DSSD(Deconvolutional Single Shot Detector)模型进行了 改进,提升了检测性能。主要工作包括:针对DSSD检测模型中残差网络单元(Residual Network,ResNet)存在的参数利用率不高的问题,设计了一种基于稠密网络(Densely Network,Densenet)与DSSD框架的行人检测网络的改进模型,利用DenseNet单元替换ResNet单元,并结合深度监督原则对替换后的DenseNet结构进行了改进;同时,针对复杂场景中行人目标较小难以检测的问题,论文改进了网络模型中的反卷积模块,并根据行人特点重新设计了不同宽高比的预选框,改善了对小目标行人的检测效果。实验结果表明,与参考算法相比,论文提出的行人检测算法明显提升了检测性能,并降低资源消耗。在参数数量方面,论文提出的新检测框架的参数数量仅为参考算法的1/6;在速度方面,在相同的硬件条件下,论文提出的网络的检测速度比参考算法提升了 45.3%;在性能方面,在相同实验条件下,论文提出的网络模型对复杂场景下的行人检测取得87.84%的准确度,比参考算法提高了4.07%。