基于CSP改进用于拥挤情况的行人检测算法

摘要：

随着深度学习的迅速发展,采用卷积神经网络提取图像的特征,用于行人检测技术取得了显著成就,但在拥挤情况下,由于行人间的相互遮挡,以及行人尺度的多变性,当前的行人检测效果还有待进一步提升.为解决这一问题,把行人的中心点和身高作为行人的高级语义特征,使用深度残差网络(ResNet-50)作为图像特征提取的主干网络,结合特征金子塔的特征融合策略,将浅层的位置信息与深层的语义信息进行融合.使用多尺度行人预测的方法对不同尺度的行人进行预测,预测的结果采用DIoU-NMS处理算法,删除同一个行人的重复预测框.并对不同DIoU-NMS阈值对严重遮挡和无遮挡的行人预测效果进行了研究.实验在Cityperson数据集上进行训练与验证,结果表明在一定范围内随着DIoU-NMS阈值的增加,严重遮挡和无遮挡的漏检率先降低,随后保持平稳变化.实验表明该算法在行人拥挤情况下,严重遮挡和无遮挡两种评价指标相比当前的行人检测算法的检测性能有所提升.

关键词：行人检测、无锚框、卷积神经网络、多尺度、特征金字塔网络、非极大值抑制

所属期刊栏目：31

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;河南省科技攻关计划

在线出版日期：2021-08-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：52-58