改进的Cascade RCNN行人检测算法研究

摘要：

在复杂路况下的行人检测中,行人尺寸变化大,导致小尺寸行人漏检率高,增加了行人检测的难度.为了降低行人检测漏检率,提高行人检测精度,在级联区域卷积神经网络(cascade regional convolutional neural network,Cascade RCNN)的基础上,将浅层特征与深层特征融合,进行深层特征对浅层特征的特征增强,提高深层信息的利用率,并且增加了一条浅层到深层的通道,将浅层信息直接向上进行传递,提高浅层空间信息的利用率;将行人分类和预测框回归的全连接层改为解耦的回归与分类分支,更加稳健地进行分类和回归整个边界框.在Caltech和ETH行人数据集上进行实验,结果表明,改进的Cascade RCNN与原Cascade RCNN相比,在Caltech行人数据集中大中小尺寸行人漏检率分别降低了7.9个百分点、11.4个百分点和9.1个百分点,平均精度均值提高了3.0个百分点;在ETH行人数据集中漏检率降低了5.6个百分点,平均精度均值提高了2.3个百分点.

关键词：行人检测;特征增强;特征金字塔;全连接层;解耦的回归与分类分支

所属期刊栏目：58

分类号：TP391(计算技术、计算机技术)

资助基金：河北省自然科学基金E2016202341

在线出版日期：2022-03-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：229-236