基于Faster RCNN的行人检测方法

被引：36

作者：

张汇 ^{[1
]}

杜煜 ^{[2
]}

宁淑荣 ^{[1
]}

张永华 ^{[1
]}

杨硕 ^{[1
]}

杜晨 ^{[3
]}

机构：

[1] 北京联合大学智慧城市学院

[2] 北京联合大学机器人学院

[3] 北京市信息服务工程重点实验室

来源：

传感器与微系统 | 2019年 / 02期

基金：

国家自然科学基金重大研究计划;

关键词：

快速区域卷积神经网络; 区域建议网络; 行人检测; 深度学习;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

借鉴目标识别领域的快速区域卷积神经网络(Fast RCNN),提出了基于Faster RCNN的行人检测方法,利用CNN提取图像特征,通过聚类和构建区域建议网络(RPN)提取可能含有行人的区域,利用检测网络对目标区域进行判别和分类,并在INRIA数据集中进行了测试验证。实验结果表明:相比基于可变形的组件模型(DPM)的行人检测方法,提出的方法,在测试集上检测准确度达到92. 7%,相比现有的其他方法,其检测效果更好。

引用

页码：147 / 149+153 +153

页数：4

共 9 条

[1] 基于Codebook背景建模的视频行人检测 [J].

黄成都 ;

黄文广 ;

闫斌 .

传感器与微系统, 2017, 36 (03) :144-146

[2] 基于RCNN的无人机巡检图像电力小部件识别研究 [J].

王万国 ;

田兵 ;

刘越 ;

刘俍 ;

李建祥 .

地球信息科学学报, 2017, 19 (02) :256-263

[3] 基于卷积神经网络的目标检测研究综述 [J].

李旭冬 ;

叶茂 ;

李涛 .

计算机应用研究, 2017, 34 (10) :2881-2886+2891

[4] 行人检测技术研究综述 [J].

张春凤 ;

宋加涛 ;

王万良 .

电视技术, 2014, 38 (03) :157-162

[5] 行人检测技术综述 [J].

苏松志 ;

李绍滋 ;

陈淑媛 ;

蔡国榕 ;

吴云东 .

电子学报, 2012, 40 (04) :814-820

[6]

基于DPM的行人检测和行人特征提取算法研究[D]. 陈芝垚.电子科技大学 2016

[7]

机器学习[M]. 清华大学出版社 , 周志华, 2016

[8]

Lane-mark extraction for automobiles under complex conditions[J] . Pei-Chen Wu,Chin-Yu Chang,Chang Hong Lin.Pattern Recognition . 2014

[9]

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Girshick R,Donahue J,Darrell T,et al. Computer Vision and Pattern Recognition . 2014

← 1 →